代理模型作为过程的简单替代，由于其快速性和准确性等特征得到了广泛的应用。Kriging模型是最常使用的代理模型之一，其预测性能较高，并且在预测点处可以提供预测的不确定性指标信息，不仅能替代复杂的模型进行预测，还能够调整优化问题的搜索方向，被广泛应用到过程可靠性分析和目标函数计算成本较高的优化问题中。为了保证其快速实现和方便计算的特性，所选的参数估计算法依靠对初值的设定，这在一定程度上损失了预测的精度;由于在样本点处估计的无偏性，导致Kriging模型的预测能力依赖于样本的分布情况，在样本附近预测精度较高，而样本稀疏的区域精度较低。针对上述不足，本文提出了相应的策略对Kriging模型进行改进。　　本文主要从Kriging的基本原理，参数估计方法，样本分布对Kriging模型的影响以及动态采样策略几个方面进行理论和仿真研究，并提出相应的改进办法。结合集成模型的思想提出KRIG-RSM集成模型，并通过仿真实验验证其有效性。对仿真函数选取不同试验设计的样本进行拟合，研究采样方法对代理模型构造的影响。针对Kriging模型提出了动态建模的样本更新策略，优化模型的样本质量，从而提高Kriging模型的全局预测精度。通过仿真试验分析不同初始参数对Kriging模型预测精度的影响，同时提出用AEA算法估计模型参数，提升模型参数搜索的鲁棒性和模型预测能力。将实际过程的机理信息作为约束条件加入参数搜索过程中，弥补样本信息不充分对模型预测精度的影响，使得搜索到的模型参数更符合实际过程。　　最后用陶瓷纳滤膜的平均溶胶粒径估计实验验证基于AEA算法和机理先验的Kriging模型的有效性。