为了使有限元模型能尽可能地反映结构实际动力学特性,在模型修正过程中应考虑不确定性因素的影响。把数学中处理不确定性问题的概率统计理论应用到模型修正中,可达到改善模型修正结果的可靠性的目的。同时,模型修正在求解反问题的过程当中需要大量的迭代计算,因而需要构造能够替代有限元模型的数学模型来减小修正过程中的计算量。本文主要内容如下:（1）针对在随机模型修正过程中分步修正及多目标函数修正的问题,研究了基于Cokriging代理模型和单目标函数的随机有限元模型修正方法。首先,以待修正参数作为Cokriging模型的输入,以有限元模型计算的频率和振型作为Cokriging模型的输出来建立代理模型;然后,构造单目标函数以度量两个样本概率分布之间的差距;最后,采用土狼优化算法（Coyote Optimization Algorithm,COA）最小化目标函数直接求解参数均值和标准差,每次迭代过程中,参数样本通过Cokriging模型计算有限元模型响应的不确定性程度。利用二维桁架结构和三维桁架结构验证了所提方法的有效性,并与多目标函数修正方法进行比较。结果表明:所提方法简化了分步求解不确定性参数时的繁琐过程,为多目标优化过程中各子目标函数相互制约的问题提供了一种有效的解决方法,同时也提高了计算效率。（2）针对待修正参数维数较高时标准马尔可夫链蒙特卡罗（Markov Chain Monte Carlo,MCMC）抽样算法不易收敛和拒绝率高的问题,研究了基于优化Kriging模型和改进MCMC抽样算法的修正方法。首先,以待修正参数作为Kriging模型的输入,由于应变模态具有可以表征结构局部的振型信息和结构全局的频率信息,因此将应变模态作为输出建立Kriging模型,并通过蝙蝠算法确定Kriging模型的相关系数;然后,基于最大熵的贝叶斯方法估计参数的后验概率密度函数,将花朵授粉算法融入Metropolis-Hasting（MH）抽样算法,提高局部寻优和全局寻优能力;最后,通过二维桁架结构和三维桁架结构的数值算例与悬臂梁结构实例验证所提模型修正方法,并与标准MCMC抽样算法进行了比较。结果表明:所提方法修正后较高维参数的马尔可夫链能够快速收敛、样本接受率高,该方法也对随机噪声具有一定的鲁棒性。