近年来,人们为了提升飞行器的综合性能,开展了许多关于多学科设计优化（MDO）方面的研究。但是,MDO方法需要大量调用学科仿真分析模型,这将导致花费巨额的计算成本,不利于工程实用化（比如,单次高精度结构/流体等分析需要花费几十小时）。为了提高MDO可计算性,一种有效解决途径是发展近似建模方法,但是其中仍存在一些挑战。因此,本文以近似建模方法为研究对象,针对其中存在的有限样本、非线性、高维等挑战开展了系统研究,最终形成了一套完整的高、中、低维系列飞行器多学科仿真近似建模方法。最后通过以卫星在轨航空流量预测和高超声速滑翔飞行器俯冲段制导偏差分析两个典型应用为例,验证了本文方法的有效性和工程实用性。首先,研究了基于集成学习的近似建模方法,主要探讨了基于单个近似模型的基函数集成以及基于多个近似模型的集成。在基于单个近似模型的基函数集成中,针对有限样本下传统多项式响应面方法存在的基函数选择较差问题,本文提出了基于多任务优化和集成建模优选基函数的多项式响应面方法。一方面,该方法采用多任务优化创建了多个子模型,通过改进带迁移的进化算法并行地优化了子模型的活跃基函数。另一方面,该方法提出了量化评分准则以衡量基函数的显著性,通过集成各个子模型的显著基函数,实现了基函数的优选,提升了最终模型的精度和鲁棒性。而在基于多个近似模型的集成中,考虑到对于不同问题类型不同近似模型的适应度不同,本文提出了部分加权集成建模方法。该方法通过集成多个不同的备选近似模型,并通过借鉴识别离散点方法以剔除低精度备选近似模型,提升了最终模型的性能。最后通过实验验证了上述方法的有效性,并对比说明了方法的优缺点。然后,研究了基于集成学习的高维近似建模方法。对于高维近似问题,由于存在“维度灾难”问题,传统的近似建模方法变得十分困难甚至不可行。为了解决该问题,主要探讨了分解问题降维以及变换空间降维。在分解问题降维中,本文研究了高维模型表示方法,其主要思想为将高维问题分解为有限个低维近似问题,并分别对这些低维问题近似建模。考虑到有限个低维问题类型不同,本文采用了部分加权集成建模方法,有效提升了模型的精度和鲁棒性。在变换空间降维中,考虑到高维模型表示方法不适用于超高维、强耦合的问题,本文发展了一种流形高斯过程回归监督特征学习方法。该方法通过引入神经网络将高维变量空间映射到低维特征空间,使传统的近似建模方法能够适用。最后通过实验验证了上述方法的有效性,并对比说明了方法的优缺点。最后,以卫星在轨航空流量预测和高超声速滑翔飞行器制导偏差分析为例,根据实际应用背景,将本文所提出的近似建模方法成功应用于航空航天领域,验证了上述方法的有效性和工程实用性,为后续近似建模方法在航空航天领域中的应用提供借鉴和指导。