随着科技的不断进步与发展,现实世界中需要解决的问题变得越来越复杂,计算机试验作为物理实验的替代和辅助也变得越来越流行。Kriging模型是计算机试验中研究的重要模型,被应用于各个领域。变量选择是统计建模里常见的问题之一,无论是简化模型,还是提升模型的预测精度,变量选择都扮演着重要的角色。关于Kriging模型的变量选择问题也深受研究者的关注。本文先研究了一般Kriging模型的变量选择问题,选取了Lasso、Adaptive Lasso、Elastic Net这三种方法对一般Kriging模型进行变量选择。然而,一般Kriging模型存在参数可识别性问题,会导致模型在进行变量选择时,不能更精准的选择显著变量。本文通过对一般Kriging模型的随机过程正交化,构造正交Kriging模型,可以有效解决Kriging模型参数可识别性问题。另外,还提出基于Fiducial推断的变量选择方法。最后使用Lasso、Adaptive Lasso、Elastic Net以及Fiducial推断这四种变量选择方法分别对一般Kriging模型和正交Kriging模型进行变量选择,比较几种变量选择方法的性能。模拟结果表明,正交Kriging模型在变量识别率以及预测精度方面都优于一般Kriging模型,验证了正交Kriging模型可以有效解决参数可识别性问题。另外,通过比较几种变量选择方法,发现Fiducial方法在预测精度以及稳定性方面表现出很大的优势。