随着全球汽车工业蓬勃发展,石油资源日渐枯竭,环境污染日益加剧,世界各国都相应颁布了更为严格的排放法规,对汽车的经济性、排放性等给出了更高的规范要求。为应对此类问题,汽车发动机电控技术不断发展和进步,电控系统更加先进和复杂,发动机需要标定优化的参数不断增加且不同参数之间的耦合关系愈加复杂,传统的优化标定技术已经不能满足现代发动机的标定需要,基于模型的发动机标定技术产生并发展成为发动机标定领域的重要技术手段。在此背景下,本文以某款高压共轨柴油机为研究对象,以发动机的经济性达到最优、且排放性符合排放标准为优化目标,对基于模型的发动机标定技术展开研究,主要研究内容有:构建了基于高斯过程回归(Gaussian Process Regression,GPR)的发动机标定模型。在制定试验设计(Design of Experiment,DoE)方案与完成发动机台架试验的基础上,利用GPR模型对试验数据进行建模,并通过比较不同协方差函数的性能,选取了平方指数协方差函数,基于牛顿梯度法获取GPR最优超参数。模型性能评价结果显示本文构建的GPR模型精度较高,可用于发动机参数的标定优化。比较了GPR模型与发动机标定中常用模型的预测效果。选取和构建了二次多项式、三次多项式和神经网络模型,与GPR模型进行性能对比分析,结果显示GPR模型相较于常用的标定模型,具备较高的预测精度,并给出参数的信任区间。利用构建的GPR模型进行虚拟标定,获取各工况点的预测数据,对发动机控制参数进行局部优化得到初始MAP,再利用线性插值法优化获得了更加平滑紧密的MAP,将MAP重新导入至ECU进行发动机台架测试,结果表明优化后的发动机燃油经济区域明显扩大,经济性能得到有效改善。