代理模型能够解决黑箱问题和大幅减轻复杂分析时引起的庞大计算负担,因此得到了广泛的应用。自适应代理模型是代理模型技术的主流研究方向,其主要思想是用更少的样本点构建自适应代理模型,以解决黑箱优化和结构可靠性分析等问题。虽然自适应代理模型技术简化了工程问题的计算量,提高了算法效率,但是在采样策略、算法优化和性能函数拟合等方面仍需要进一步改进。本文对自适应代理模型的理论及应用进行研究,主要内容包括:（1）对于非线性关系复杂和维度较高的模型拟合问题,以减少基于自适应代理模型序列采样中样本点数量为出发点,提出了一种基于灵敏度与相关函数分析相结合的自适应Kriging代理模型加点策略。该策略首先用低差异序列采取样本点,构造初始模型,并对各参数进行灵敏度分析。依据灵敏度指标划分出参数区间,构造新的重点采样空间作为关键区间,在其中新增若干个能表达近似模型特性的候选点。通过测试函数对本文所提方法进行了验证,并与最大最小距离算法（Maximum minimum distance algorithm,MDA）进行了对比,结果表明,在满足精度要求下本文提出的方法能够更快地提高模型精度和计算效率。（2）自适应代理模型与智能优化算法的有机结合可以同时提高模型拟合与算法优化的效率。基于自适应代理模型的思想,以提高模型对局部与全局区域的拟合精确度和优化效率为目标,提出了一种从局部搜索出发面向全局寻优的高效全局优化算法。该算法首先在局部区域构建期望函数并优化得到更新点,其次将更新点添加到全局区域中提高全局精度,再利用差分进化算法进行全局优化。用数值算例进行了验证和对比,结果表明该算法在面对局部极值较多、变量空间过大的复杂问题时,能够快速收敛到模型的精度要求并高效地找到最优值。将该算法用于叶轮的流体分析与优化中,有效降低了叶轮在负荷状态下的压力值。（3）基于Kriging的可靠性分析方法,提出了一种改进学习函数U的自适应主动学习函数,以降低代理模型的建模复杂度,消除随机变量对可靠性分析结果的随机不确定性。该学习函数结合蒙特卡洛抽样构成的AK-UPDIF算法能够以少量样本点精确构造出性能函数的极限状态,有效的评估失效概率。同时,考虑预测样本符号的误判性,提出了一种鲁棒性较好且适用于多种学习函数的收敛准则。用四个算例验证AK-UPDIF算法和新的收敛准则,提高了可靠性分析的效率和精度。