工程实际应用中通常存在各种不同来源的不确定性,在多种不确定性的耦合作用下,结构会产生不可忽略的偏差,最终可能引发巨大的损失。因此,准确地度量不确定性并对产品进行不确定性分析,对保障产品的安全性能具有重大意义。目前基于主动学习Kriging模型的方法在可靠性分析领域内得到了广泛的应用,本文基于主动学习Kriging模型理论提出了一种概率区间混合可靠性分析方法和一种高维可靠性分析方法,有效解决了现存混合可靠性分析方法中通用性差、计算效率低下的问题,以及现存高维可靠性分析方法中“维数爆炸”、矩阵计算量大以及无法计算强交叉项函数的问题。本文的主要研究内容如下:（1）提出了一种基于双阶段主动学习Kriging模型的广义概率区间混合可靠性分析方法（TALK-HRA）。该TALK-HRA方法可有效处理包含概率与区间模型、区间概率模型及其组合在内的多种混合模型。首先,建立第一阶段主动学习Kriging模型以选择有可能跨越极限状态面的高风险点,从而准确预测功能函数符号,并为给定区间参数下的失效概率计算奠定基础。其次,构造第二阶段的Kriging模型以学习最大或最小失效概率附近的区域,从而寻找失效概率的边界。再次,提出的TALK-HRA方法被应用到随机-模糊混合可靠性分析中。最后,通过五个算例验证该方法的有效性。算例的计算结果表明,该方法可以很好地应用于具有高非线性和多峰极限状态面的“黑箱”问题的求解。（2）提出了一种基于主动学习Kriging模型的高维可靠性分析方法。该方法能够有效处理输入变量数量高达100维的复杂结构可靠性分析问题。首先,对结构复杂的高维函数用UDR进行降维,简化为简单的单变量相加的形式,基于UDR降维后简单的函数建立Kriging模型。其次,对主动学习函数选出的最佳样本点进行重要性分析,选出突出重要维数的最优样本点。再次,将该最优样本点加入实验设计域中对模型进行迭代更新,计算失效概率。最后通过三个算例验证了该方法对于输入随机变量个数众多的高维及高非线性问题的有效性。