随着芯片制造工艺的进步,元器件的集成度不断提高,使得计算机芯片的性能得到了极大的提升。但同时,高度的集成化使得计算机芯片对空间辐射等恶劣环境因素的敏感度也越来越高。当芯片受到单粒子撞击时,元器件存储区域上的一位或者相邻多位可能会发生翻转,引发瞬时故障,从而导致程序运行出错甚至崩溃失效。为了满足计算机系统和软件对可靠性和时空开销的要求,需要研究高效费比的软件容错与加固方案。因此,研究面向恶劣环境的软错误检测与加固技术具有重要的意义与应用价值。本文深入研究了面向恶劣环境的软错误检测与加固技术,主要研究内容如下:针对数据流错误检测方法普遍存在的高开销与低检测率问题,提出了一种基于Ada Boost的指令级数据流错误检测方法,通过故障注入的方法获得各类指令SDC特征;使用Ada Boost集成学习算法建立指令SDC脆弱性预测模型,该模型通过调整弱学习器样本权重来提高模型拟合能力和预测准确率;设计了软加固策略,通过粒度可配置的指令冗余降低了程序加固的性能开销。对比实验结果表明,该方法可有效地提高数据流错误检测的效费比。针对控制流错误检测盲区造成的检测率低及效费比低的问题,本文提出了一种基于双标签队列的线程级控制流错误检测方法。该方法使用双标签队列结构检测控制流跳转错误;在标签入队阶段加入了函数栈用来验证函数调用的正确与否;最后通过多线程技术,将标签验证与目标程序主线程相分离,降低了检测的性能开销。实验结果表明,相比同类方法,该方法具有较高的控制流错误检测率和较低的性能开销。基于上述研究,设计并初步实现了面向恶劣环境的软错误检测与加固系统,测试实验结果表明,该系统具有对程序数据流和控制流加固的能力,能够有效地加固目标程序,使其具有检测软错误的能力,能够在合理的性能开销下获得较高的软错误检测率。