现代机电产品日趋复杂，对其进行仿真分析需要耗费越来越多的计算资源。尽管计算机技术日新月异，计算速度越来越快，但仍不能满足工业界对仿真分析的需求。有报道称，对汽车碰撞模型进行一次仿真分大致需要36－160小时，要实现该模型的两个变量的设计优化则需要75天到11个月，这在实际工程应用中是不可接受的。为应对巨大的挑战，在过去的20年中，元模型方法应运而生并在工业界得到了普遍应用，该方法能够在不影响仿真目标模型精度的情况下减少优化迭代的仿真次数，从而减少对计算资源的消耗。元模型方法是指利用实验设计所产生的采样点构造近似简化模型代替复杂昂贵的仿真目标模型进行优化分析的优化方法，基于元模型的全局优化则是在元模型方法基础上利用全局优化算法搜索最优点，涉及到实验设计方法、元模型方法、全局优化算法等方面的研究。本文围绕自适应序列采样方法、DIRECT全局优化算法、增量元模型方法以及Pareto多目标优化方法开展了进一步的研究，具体包括以下几个方面：1）基于RBF元模型的自适应序列采样方法。由于很难确定合适的采样点数量，一次采样构造一个元模型通常是不合理的。自适应序列采样通过逐次增加采样并使其尽量分布于最合理位置，从而克服了一次采样的缺陷，达到以少量点构造精确元模型的效果。本文利用RBF元模型表达式比较简单，易于计算采样点处的曲率的特点，提出了以采样点位置最大曲率和采样点之间最小距离的作为采样标准。新采样方法能使新增采样点分布于影响元模型精度的波峰与波谷处，达到用较少的点反映了复杂目标模型几何特征的效果。以5个常用测试函数以及弹簧和焊接梁的最优设计为例测试新采样方法效果，并与拉丁超立方采样与网格采样进行比较。实验结果表明了该方法的精确性和有效性，而且优于其他采样方法。2）基于元模型的DIRECT全局优化算法。本文在深入分析标准DIRECT算法原理和收敛性的基础上，针对标准DIRECT算法函数估值次数多、收敛速度慢的缺点，提出基于元模型的改进DIRECT算法。该方法利用优化过程中每次迭代所产生采样点来构造近似元模型，并在其上搜索最优点，从而加快了算法的收敛速度。将改进后的DIRECT算法应用于压力容器的优化设计，并对5种常用元模型的加速效果进行比较。实验结果表明RBF元模型对提高DIRECT算法的收敛性效果最好。3）基于增量RBF元模型方法的全局优化算法。研究了增量拉丁超立方采样方法与增量径向基函数元模型更新方法；针对基于减法和加法的增量拉丁超立方采样方法难以控制采样点数量以及新增点必须是原有采样点整数倍的缺陷，改进了增量拉丁超立方采样方法；在此基础上，结合增量RBF元模型方法提出一种全新的全局优化方法。以2种常用测试函数与焊接梁为例进行测试，实验结果证明了该方法的可行性和有效性。4）基于元模型的多目标优化方法。文本针对现有基于元模型的多目标方法大多是单值元模型的缺点提出响应面集的概念。响应面集利用RBF元模型表达式为线性方程的特点，将原有的系数向量转换为系数矩阵，使得多个子目标函数可与同一个元模型相对应。针对大规模采样直接计算Pareto适应度困难的问题，本文提出一种可增量更新的迭代式Pareto适应度计算方法。该方法克服了采样点过多导致Pareto适应度矩阵庞大的问题，并且充分利用上一次迭代中所产生的适应度值信息进行增量更新，从而减少了计算量。将响应面集与增量Pareto适应度计算方法集成到基于元模型的多目标优化算法中，并应用于两杆对称桁架与I字衡量的优化设计，实验结果表明了该方法的工程实用性与有效性。最后，对本文的主要研究成果和创新点进行了回顾和总结，并对基于元模型的全局优化下一步研究热点和未来发展方向进行了探讨。