【摘要】传统的稳健设计一般假定试验数据为正态分布且无污染,然而在实践中,由于缺乏足够的试验数据以及数据中存在污染等因素,导致用传统的点估计方法无法准确获得某设计点下真实过程的输出值。因此,提出了基于bootstrap重抽样技术估计数据污染下最优参数置信区间的稳健设计方法。首先,采用Hodges-Lehman估计量和Shamos估计量分别估计位置参数和尺度参数;其次,构建过程均值和方差双响应曲面模型,实现稳健设计;然后,利用分位数bootstrapping (Percentile Bootstrapping,PB)、偏差校正分位数bootstrapping (Bias-Corrected Percentile Bootstrapping,BCPB)和偏差校正及加速分位数bootstrapping (Bias-Corrected and accelerated Percentile Bootstrapping,BCaPB)方法分别估计最优参数的bootstrap置信区间;最后,引入欧式距离和广义方差分别度量不同置信区间抵抗污染值的稳健性。通过仿真表明,在解决数据污染的稳健设计中BCPB和BCaPB方法估计的精确度明显高于PB方法,同时BCaPB方法在抵抗污染值干扰方面优于BCPB方法。