根据试验目的主要分两大类：因子筛选设计（screening design）和参数优化设计（parameter optimization）。因子筛选设计是通过试验设计从众多的影响因素中筛选出对Y影响显著的X；参数优化设计的目的是找出最佳的影响因素X的设置水平从而使Y达到最优。

（1）因子筛选设计。

        常用因子筛选设计包括全因子设计（full factorial design）、部分因子设计（fractional factorial design）、筛选试验设计（Plackett-Burman设计）等。

        将全部因子全部水平的全部搭配都进行至少一次试验的安排方法称为全因子设计法。

        由于因子个数增加时，全因子试验的次数会急剧培多，在实际工作中常常行不通。只能从中选择一部分来进行，这就是部分因子设计。

        试验设计的结果需要会用统计分析工具进行分析，如果拿到试验结果后，只是从中挑选那个最优值就结束，就浪费了大量的有用信息。试验设计的统计分析方法不权能从试验结果中找到最优值，而且可以判明哪些因子影响显著，哪些因子影响不显著，还可以得到有关的变化规律，预测将要达到的最佳值是多少和这个最佳将在什么范围内波动，这就是统计分析方法的威力。

（2）参数优化设计。

        参数优化设计需要确定Y与X间的关系式，找出Y对于X的含二次项的回归方程，这种试验设计称为响应曲面设计（response surface design）。

        响应曲面设计可以建立二次回归方程，从而得到更加细致的结果，但试验次数也会相应增加，只有到了最后阶段因子个数已经很少（一般不超过5个）才能使用。

（3）稳健性。

        另一类很重要的试验目的是寻求系统的稳健性（robustness）。稳健性是指系统的抗干扰能力要强，即当系统受到难以控制的因子（“噪声”）的严重影响时，系统输出的变异性（vatiation）要足够小。

        为了做到这一点，应尽量选择那些使得系统对噪声就能不敏感的控制因子的某种水平的组合来达到目的，这就是稳健参数设计（robust parameter design）。

        如果讨论的是配方问题，例如在橡胶、造纸、药品生产等行业中，研究在整个产品中各个分量所占的比例问题，显然，这些比例的总和和应该为100%。研究这类问题的试验设计称为混料设计（mixture design）。