模型平均是在模型选择的基础上发展起来的,近年来得到了广泛的应用。模型平均能够降低回归估计的风险,对多个候选模型的组合提供了一种防止选定单个模型变差的保险,从而减少了有用信息的遗失。现代工业生产对各种复杂试验的需求越来越迫切,选择利用计算机代码来仿真模拟实体试验获得试验数据变得必要且可行。高斯过程回归模型考虑了变量之间的相关性,能够得到更为准确的预测值。其中,Kriging模型和空间地质统计模型分别在近似计算密集型工程模型和大气科学模型上得到了广泛的应用。首先,本文研究了一般Kriging模型和空间地质统计模型的模型平均基本理论。选取了AICc、S-AIC、S-BIC、SPMMA和MMA几种方法对候选模型进行加权平均,并提出了基于Fiducial推断的模型平均方法,从而在建立预测时考虑具有不同基函数集的候选模型。我们分别对一般Kriging模型和空间地质统计模型的每个候选模型进行概率加权后得到平均模型。数值模拟和实例分析表明,与其他方法相比,我们提出的Fiducial方法在预测方面有一定的优势。由于Kriging模型存在参数的可识别性问题,我们对Kriging模型的回归项与高斯过程做正交得到正交Kriging模型。选取了AICc、S-AIC、S-BIC、SPMMA、MMA和Fiducial方法,通过数值模拟和实例分析对比了正交前后的平均模型的预测性能,发现对正交Kriging模型做模型平均后得到的预测值更加准确。