激烈的市场竞争要求企业能够提供设计周期短、制造成本低、性能质量好的产品。产品质量首先是通过设计得到的,现代的机电产品和系统愈加复杂,它们在进行仿真优化设计的时候需要消耗更多的计算资源。代理模型方法可以近似地模拟复杂的源模型,建立代替模型,减少计算量。复杂的优化问题在大多数情况下具有黑箱性,因此无法明确得到函数信息和梯度信息,并限制智能优化算法的使用。Kriging模型是一种得到广泛使用的代理模型方法,它能够给出有效的函数估值和估计方差,将该特点与自适应代理优化方法结合后,特别适合解决需要昂贵估值的复杂黑箱优化问题。在实际工程中的目标优化问题,通常都会受到一些约束条件的制约。为解决复杂约束黑箱优化问题,本文基于Kriging模型提出一种自适应约束代理优化算法。该算法先使用约束并行改善期望准则（CPEI）和重要边界采样准则（IBS）探索全局最优解区域,然后引入客观的约束函数Kriging模型更新策略,减少不必要的仿真计算,达到节约计算成本的目的。最后通过一个典型数学算例将所提算法与约束期望改进算法（CEI）和两目标加点优化算法（EI-POF）进行对比,结果表明:所提算法更快达到收敛条件,精确度更高。为检验该算法在工程问题中的适用性,本文选取水下滑翔机作为研究对象。首先确定水下滑翔机的外形参数,然后将外形参数作为设计变量,根据所提算法对其外形进行优化。在每次优化迭代中添加新的样本点,达到终止条件后,得到全局最优结果。最后外形优化后,水下滑翔机的滑翔性能更好,其最大升阻比提高了19.37%。