随着市场竞争的加剧，越来越多的汽车制造商和零售商为了增强竞争力开始将目光转向了售后服务。保修服务是汽车售后服务的重要内容，保修成本的合理测算对制造商和零售商制定保修策略有至关重要的作用。因此，对特定保修期下的成本进行研究和测算，对生产商、零售商来讲都有重要的现实意义。近年来，国内学者对保修的研究逐渐增多，关于保修的分类、保修策略的制定和保修成本都有相关的研究。但就保修成本的测算方面，目前还没有学者用真实的故障数据对汽车零部件的故障率进行分布检验，且保修成本测算模型的结果缺乏真实数据的检验。因此本文用实际数据对汽车零部件的故障规律进行分布检验，以此为基础构建保修成本预测模型，并用实际数据评价模型的预测效果，可以丰富保修成本领域的研究。本文分析了取自某汽车制造企业的故障数据，测算出了这些故障数据的分布规律，采用最小二乘回归分别检验了零部件的累积故障率与指数分布、正态分布、对数正态分布、极值分布和威尔布分布的拟合度，结果显示威尔布分布是与故障数据最为拟合的分布，拟合优度R2达到0.991，而指数分布和正态分布也表现出了较高的拟合度，达到0.975，为了进一步验证基于哪一种分布下建立的模型预测效果最优，本文针对指数分布、正态分布和威尔布分布分别构建了模型。并最终用实证研究结果证明，威尔布分布下建立的模型预测效果最好。此外，统计数据显示，超出保修期后仍有一部分因产品质量问题而导致的索赔，制造商承担了这些索赔的费用，从而也构成了保修成本的一部分。但由于超出保修期后索赔数量明显减少，因而不能用保修期内的模型来测算这一部分的成本。单独为超出保修期的成本开发一个测算模型是必要的。本文以保修期36个月为分界点，分别为保修期和超出保修期两种情况开发了成本预测模型。研究结果表明，超出保修期后的成本模型在预测超出保修期后的成本方面表现出了较好的效果。本文在建模过程中，采用了更新过程理论，故障部件被新部件更换的过程被建模为更新过程，文中采用了数值法来求解更新过程方程。本文对汽车零部件故障率基础分布进行测算是保修成本测算模型开发的基础，而所开发的的保修成本预测模型有助于汽车制造商更为准确的把握和控制保修成本，进而达到降低保修成本、提高经济效益的目的；另一方面，也有助于汽车制造商和零售商在制定保修策略时有更充足的数据参考和支持。同时也希望本文的研究为同行业其他管理者在测算保修成本方面提供一些思路和参考。