基于响应面的全局优化算法，通过响应面近似源函数的方式来降低对源函数的估值次数，降低了计算消耗。以高效全局优化(Efficient Global Optimization，EGO)算法为代表的基于Kriging模型的全局优化方法以其计算速度快、模型精度高等特点被广泛研究和应用。对EGO算法的改进具有理论研究价值和实践意义。基于此，本文所做主要工作如下：　　首先阐述了Kriging响应面模型及基于其的全局优化算法的研究历程，对其中算法的特点给出说明。　　以拉丁超立方(Latin Hypercube Sampling，LHS)采样为重点对响应面构造中常用的计算机实验设计(Design Of Experiment，DOE)方法一一介绍，分析其优缺点，对部分方法给出采样图。　　结合Kriging模型的特点，对Kriging模型的构建过程给出详细说明。针对传统参数优化采用模式搜索方法求解而造成精度不高的问题，提出基于梯度算法的空间相关函数优化算法。该算法的核心为计算目标函数关于θ的梯度，在关于θ梯度的解析解较为复杂的情况下，在单步求解中保持β不变来简化求解过程，这样为了降低计算成本。数值实验表明这种算法能够得到更为精确的结果。　　阐明了基于Kriging模型的全局优化算法——EGO算法的实现过程，对EGO算法的核心，即其样本填充准则EI函数，首次采用投影梯度法，结合空间相关函数的参数优化，提出基于投影梯度法的EGO算法。大量实验测试表明，该算法在模型稳定性、预测结果稳定性等方面较传统EGO方法有较大提升。