机械结构受加工误差、装配间隙和环境载荷条件等不确定性因素影响,系统模型参数和结构响应不能完全精确刻画;而结构材料属性在空间位置上亦广泛存在着随机不确定性,需要采用随机场等复杂统计模型来描述。这些因素使得结构可靠性分析模型较为复杂,特别是小失效概率情况下模型重分析次数庞大、计算资源消耗较高。因此,本文在总结传统机械结构可靠性分析方法的基础上,提出了面向结构小失效概率高效预估的主动学习Kriging代理模型。从仿真空间截断、混合主动学习实现,以及概率-区间耦合不确定性条件下结构可靠性高效预估等问题开展研究,主要研究内容如下:（1）通过梳理现有文献中的典型主动学习Kriging算法,开展了不同学习函数类型、训练样本寻点方式和仿真空间截断等方面的对比分析;在此基础上针对原有主动学习算法在仿真空间截断方面的不足,结合一次可靠性指标计算方法提出了自适应仿真空间截断的准则;结合全局优化算法和目标学习函数类型等研究了主动学习算法的收敛效率,通过文献经典数值算例验证了所提算法的有效性与准确性。（2）研究U学习函数和REIF2学习函数的结合对Kriging代理模型建模精度的影响,针对非正态随机变量模拟问题,提出了仿真空间截断的拟FORM方法,其计算效率比文献算法有较大改进;以航空发动机涡轮盘随机有限元模型等为算例,验证了本文所提的AL-Kriging改进算法具有较高的精度和良好收敛性。（3）考虑概率-区间混合变量作用下的机械可靠性分析问题,研究功能函数极值点对应样本的梯度信息分布规律,从松弛Karush-Kuhn-Tucker条件出发,给出了备选样本高效抽取的数值方法;引入混合随机变量空间的截断方法以及混合学习算法,提出了混合不确定性条件下Kriging主动学习替代模型和结构可靠性分析的高效预估方法;结合Monte Carlo计算机试验验证了算法在计算精度和建模效率等方面较文献方法有一定优势。