随着汽车产业的发展,主机厂对零部件综合性能的要求越来越高,因此汽车零部件企业通过改善材料性能以及优化产品设计等手段提高产品的质量,以提升市场竞争力。目前,数值模拟技术已成为提高产品质量的重要途径之一,数值模拟通常由计算机硬件、前处理软件、数值模拟软件以及数值模型等几部分组成,随着计算机硬件、前处理软件及数值模拟软件的发展趋于成熟,如何将物理问题简化为可计算的数值模型成为数值模拟工作者目前的主要任务,其中一个最重要的工作是如何确定相关的本构模型及材料参数,因此如何准确地确定材料参数已经成为数值模拟技术的重要研究课题之一。故本文采用基于可识别分析方法对复杂模型的参数识别方法和理论进行研究,从而为复杂模型参数识别提供一定的理论基础和指导。本文基于灵敏度分析,提出了一套能够考虑约束影响的局部及全局参数可识别分析方法,并以此为基础提出一套参数识别方法。本文首先以灵敏度分析为基础,构造了局部敏度矩阵及Fisher信息矩阵,并应用蒙特卡罗方法将局部敏度矩阵、Fisher信息矩阵集成为全局敏度矩阵、全局Fisher信息矩阵及归一化全局Fisher信息矩阵,其中抽样策略采用拉丁-超立方抽样策略。为了考虑软性约束条件的影响,以惩罚函数的形式将约束引入到目标函数中,并通过全局竞争排序的方法确定惩罚系数的数值。其次运用反分析方法对复杂模型参数识别的理论和方法进行研究,并提出了参数识别的目标函数。基于参数识别目标函数的特性,同时,为了平衡算法的全局搜索能力和局部搜索能力,本文应用了一种混合全局优化算法。该算法具有以下特点:为了保证算法具有较好的全局搜索能力,将遗传算法作为混合优化算法的主体算法;通过应用构造的混合杂交算子,防止遗传算法陷入局部最优;为了提高算法的收敛速度,将遗传算法得到的解应用Levenberg-Marquardt算法和增广高斯牛顿算法进行改进。最后将提出的参数识别方法分别运用于对合金材料Ti-6Al-4V的超塑性本构模型以及低合金高强度钢300M的考虑动态再结晶的粘塑性本构模型这两种车用材料本构模型相关材料参数的参数识别中。首先分别针对两种本构模型的物理机理提出参数识别目标函数,然后基于参数的可识别分析方法进行材料参数的参数识别计算。两种不同车用材料本构模型的参数识别结果表明由识别后的参数得到的预测结果和实验数据符合良好,验证了本文提出的算法的有效性和实用性。