复杂系统的仿真和优化控制是以建立对象合理而准确的数学模型为基础。随着分布式交互仿真技术在大规模复杂系统研究中的广泛应用，传统的建模方法日益受到挑战。针对复杂系统的特点，一种新的建模方法—多分辨率建模及模型的聚合/解聚日益受到人们的重视并成为复杂系统仿真的关键技术之一。 本文首先在分析复杂系统仿真对模型的具体要求，以及传统建模方法所存在局限性的基础上，论述了多分辨率建模的优越性，并对多分辨率建模的特点、模型的多粒度分析、聚合/解聚、以及平滑一致性转换等多分辨率建模的基本概念进行了深入讨论，进而提出了具体的实现方法。然后，文章结合时间序列的建模问题，探讨了ARMA模型的多分辨率建模原理，以及模型结构和参数的确定方法。并在此基础上，对不同分辨率ARMA模型之间的结构和参数聚合方法进行了研究，给出了高分辨率ARMA模型和低分辨率ARMA模型之间阶数的关系、模型聚合算子的确定方法，以及在统计意义下聚合模型的参数表达式。并结合具体的时间序列预报问题给出了仿真结果。针对ARMA模型的解聚问题，提出了基于不同分辨率ARMA模型的阶和系数间的约束条件先初步确定解聚模型的阶数和相应自回归部分的参数，并以此作为侯选模型来优化数据序列的解聚系数矩阵的模型解聚方案，从而把ARMA模型的解聚转化为关于模型结构和参数的某一指标的优化过程。在此基础上给出了基于遗传算法的ARMA模型解聚算法（DISARMA/GAs），进而结合具体的ARMA模型建模预报问题，通过仿真实例对算法的有效性进行了检验。最后，本文以电力系统负荷预报问题为例，探讨了多分辨率ARMA模型的聚合/解聚方法在实际工程中的应用。通过把具有周期性的非平稳电力负荷数据序列分解为确定性趋势项和平稳随机序列，应用径向基神经网络对趋势项进行曲线拟合，而平稳随机序列部分则用ARMA模型的聚合/解聚方法进行多分辨率建模，以实现不同粒度的电力负荷时间序列模型之间的平滑一致性转换。实际数据的仿真结果检验了本文方法的有效性。