结构优化不仅可以有效的降低结构的重量、节约设计成本,还可以改进结构的性能,目前乃至以后仍将在结构设计及制造等领域的研究中占据重要地位。优化求解的方法大致可分为以下几种,数学规划法、准则法、随机搜索法等。近年来,模拟退火算法和遗传算法等新的智能类算法受到越来越多的关注,它们的全局搜索性和处理离散变量的能力与传统优化算法相比具有较大的优势。但是在处理较复杂模型方面,也会暴露出计算效率较低的问题。为了减少结构优化过程中有限元分析所耗费的计算量,本文引入代理模型使得优化过程中性能指标是变量的近似函数,而不需要复杂的有限元分析得到,有效减少了优化过程中数值分析的计算量,提高了优化的效率。本文的主要研究内容有：首先,简要介绍了本文研究的工程背景,详细阐述了Kriging代理模型的基本理论及其构造过程、几种常用的回归方程和表征样本点空间相关性的相关函数,以及基于Kriging模型的两种序列优化方法及优缺点。然后,指出样本点的选取是代理模型拟合的前提,而所取样本点的分布情况,直接决定模型的拟合精度和优化时的收敛速度。因此,根据拉丁超立方取样和网格取样各自优缺点,提出一种基于欧式空间距离的取样方法,使样本点尽可能的均匀分布,提高模型的整体拟合精度,并通过函数拟合的实例表明了此取样方法的有效性,这为优化设计提供了良好的函数拟合基础。其次,详细介绍了优化求解时两种基于Kriging代理模型的常用加点准则,结合序列二次规划算法,给出了优化求解流程。基于EI加点准则对函数优化算例和结构优化实例进行了优化,验证了本文取样方法的有效性与实用性。最后,基于模拟退火算法(SA),欧式距离取样方法和EI加点准则的Kriging代理模型,提出了结构优化问题的求解思路。数值算例显示：与传统的模拟退火算法、遗传算法相比,在计算精度相当的基础上,有限元分析次数显著减小；与采用序列二次规划进行样本点更新的计算结果相比,在计算精度和有限元分析次数上均有明显优势。这显示了本文采用欧式距离取样,基于EI准则的代理模型和SA相结合的结构优化求解思路的有效性。