在各种工程实践中,可靠性分析受到了越来越广泛的关注与应用,其中一项重要内容就是失效率的计算。由于状态函数的计算通常非常耗时耗力,所以失效率计算的关注点就是如何减少对状态函数的调用。作为代理模型,Kriging的使用较好地解决了这个问题,通过序贯的增加训练样本的方法,Kriging模型能够极大的减小对状态函数的调用,使得方法经济实用。本文针对以往Kriging模型下序贯增加训练样本方法过于关注单个点表现而忽视全局表现的缺点,重点研究了以下问题:1.关于如何序贯的选取训练样本,即加点策略。以往的方法仅考虑增加的训练样本对单个点的影响大小,而不考虑增加某点为训练样本后会对整个模型的精度及失效率的评估有何影响。本文通过对当一个新训练样本增加到模型中时随机变量空间每一点的状态变化的大致分析,提出了一个联系全局的权函数,粗糙量化了预测失效率的不确定性在每一点处的减少量。最终建立一个新的学习函数URQF(Uncertainty Reduction Quantification Function),使得URQF达到最大值的那一点就被选取为新的训练样本。2.关于何时停止增加训练样本并输出结果,即停止准则。以往的停止准则仅机械的考虑每个独立的点正确与否,而忽略了整体精度是否已经满足实际需求。本文以Kriging模型的特性为基础,着眼于对失效率的实际相对误差做放大预测,通过这个上界来对实际相对误差做控制,在满足一定的相对误差要求时即可停止增加训练样本。3.通过不同维度、不同非线性程度的算例,对以往经典的和本文提出的加点策略和停止准则的不同组合做出了性能对比,得出每种方法的特点和适用范围。