船舶结构可靠性计算包括可靠性分析和可靠性优化设计两个方面,传统的船舶结构优化只考虑设计变量的确定性因素,而船舶结构可靠性优化设计考虑设计变量的不确定性,如尺寸不确定性、材料力学性能不确定性和载荷不确定性等因素,兼顾了船舶结构的经济性和安全性,是一种极具优势的船舶技术研究方向。针对船舶结构变量维度多、非线性程度高和计算复杂等问题,找到高效精确的计算方法是解决该问题的关键。作为机器学习研究热点之一,集成学习法被广泛应用到数据挖掘、图像处理和语音识别等诸多领域。本文将集成学习法应用到船舶结构可靠性计算中,并针对应用过程中出现的问题,对集成学习法进行了改进,提高了船舶结构可靠性分析和可靠性优化设计方面的计算精度和效率。本文梳理了船舶结构可靠性分析、可靠性优化设计、集成学习法和代理模型技术的研究进展,在前人研究的基础上,总结了集成学习法中的弱学习器组合策略以及三种框架等基础理论,阐述了试验设计方法、常用的代理模型（多项式响应面模型、Kriging模型、径向基函数模型和人工神经网络模型）和静态/动态代理模型技术实现路线,为本文提供了技术支持和理论保障。在进行船舶结构可靠性分析方面的计算时,本文将集成学习法中的梯度提升树法（Gradient Boosting Decision Tree,GBDT）作为代理模型,并针对在计算过程中数据集失效面附近样本点占比少的问题,采用Smote算法在样本层面上对GBDT算法进行了改进,通过对少数类样本进行过采样,提高了失效面附近样本点的数量,进而实现了对极限状态方程（Limit State Function,LSF）的高度拟合。将改进的梯度提升树法同蒙特卡洛法结合,完成失效概率和可靠性指标的计算。通过两个算例验证了方法的适用性和优越性,并将该方法应用到超大型集装箱船绑扎桥的可靠性分析中。针对船舶结构可靠性优化设计过程中由于船舶结构非线性程度高导致的计算效率低、难以收敛等问题,本文充分利用集成学习方法中的Xgboost算法的优势,并在样本上面结合Smote算法对其进行改进,将改进的Xgboost算法同自适应模拟退火算法（Adaptive Simulated Annealing,ASA）一同嵌入到单循环优化算法（Single Loop Approach,SLA）中。通过两个数学算例验证方法的有效性,并将该方法应用到超大型集装箱船绑扎桥结构的可靠性优化设计中,在保证精度的前提下极大缩减计算周期。