仿真实验设计是仿真评估、分析与优化等工作得以顺利开展的基础,也是实现高效仿真的重要途径。随着仿真对象越来越复杂以及用户要求越来越高,仿真系统趋于复杂化,相应的仿真实验具有高维、大范围、混合实验空间等特点,并且通常运行耗时较长。而在实际工作中,往往要求快速地得到仿真实验结果。因此,如何提高复杂仿真实验效率及实验设计效率是目前研究的热点与难点问题。针对此问题,本文主要开展以下研究工作:首先,给出了仿真实验设计问题的数学描述,建立了复杂仿真实验设计方法体系,并针对仿真实验设计方法种类繁多而难于选择的问题,提出了基于案例推理和规则柔性逐层推理相结合的智能选择方法。从实验实施阶段、实验点分布、模型独立性、序贯性等视角对复杂仿真实验设计方法进行分类及对比分析,并给出了复杂仿真实验设计过程模型;建立了仿真实验智能化设计技术框架,将仿真实验设计案例库中的属性划分为三类,给出了相应的案例检索策略,提出了基于规则的柔性逐层推理方法,在保证推理结果可信的前提下,最大程度地减少规则数量,并可实现对规则库中条件属性的柔性管理,进而提高了仿真实验设计效率。其次,针对优化拉丁超立方采样(Optimal Latin Hypercube Sampling,OLHS)的优化效率及序贯设计问题,提出了基于改进差分进化(Differential Evolution,DE)算法的OLHS方法和基于k倍扩展的OLHS序贯设计方法。根据OLHS优化问题的特点,提出了一种改进的DE算法,即在基本DE算法的基础上,增加局部优化和DE参数自适应调整策略,用于提高局部寻优能力和克服早熟收敛现象,进而提高了LHS样本点的优化效率;进一步,在保证严格LHS结构和保留已有样本点的情况下,提出了OLHS的序贯设计方法,以初始样本大小的k倍序贯地扩展样本点,有效地避免了过采样,从而提高了仿真实验效率。接着,研究了复杂仿真实验的因子筛选方法,提出了两种因子筛选方法。当因子数较多时,针对现有的筛选实验设计方法用于复杂仿真实验因子筛选准确率低的问题,提出了基于高斯过程回归模型与Apriori算法的因子筛选方法,通过构建高斯回归过程模型来丰富样本数据,然后采用Apriori算法挖掘输入/输出间的关联关系,进而计算出各因子的灵敏度系数,实现因子的筛选;当因子数较少时,针对Sobol’法筛选因子效率低的问题,提出了基于序贯设计与灵敏度分析的因子筛选方法,即一方面提出了一阶灵敏度系数计算公式,并证明其渐近无偏性与有效性,另一方面提出了基于序贯设计的Sobol’法,进而从两方面提高因子筛选效率。最后,针对现有的仿真平台以及通用的实验设计与分析软件难以满足复杂仿真实验设计与分析应用需求的问题,设计并实现了复杂仿真实验设计与分析平台。在分析平台应用需求的基础上,设计了平台的总体架构,给出了仿真实验设计、数据管理、元模型构建、结果分析等子系统的类图和顺序图等,实现了复杂仿真实验设计与分析平台,具有接口规范、可重用和可扩展等特点,并利用该平台对某体系对抗仿真应用进行了实验设计与分析工作,验证了平台的有效性和实用性。