软错误指高能粒子与硅元素的相互作用在存储单元中造成临时、随机的状态改变或瞬变。在航天领域中,由于外太空高能粒子以及高辐射的影响,使得星载系统中软错误的发生成为了一个高频事件,对于可靠星载系统的设计必须要充分考虑到软错误的影响。本文基于复杂系统内部可靠性威胁链理论,提出了针对控制器系统软错误量化评估方法,分析了控制器系统中软错误敏感的关键节点以及它们与系统失效状态的关联性,对软错误在控制器系统中的传播机制进行了量化评估。本文的核心技术主要包括数据集的获取、异常状态的判定、多节点的关联性分析。首先,针对系统威胁链分析所需的控制器系统软错误数据样本,本文针对控制器系统建立虚拟系统模型,使用故障注入的方式来模拟软错误的发生,收集控制器系统运行时系统组件时序值,形成数据集。通过全系统仿真器Simics对完整控制器系统建模,它包含了微处理器、操作系统和应用程序。以PID作为应用程序,基于目标控制器系统模型搭建了自动化注入和时序值收集平台。在故障注入过程中,同步收集系统组件时序值,同时对系统状态进行监控,获取故障注入过程中的系统失效类型。形成了覆盖系统组件时间和空间信息的数据集。其次,基于系统内部单一组件状态判定难以直接用原始值直接进行判定的问题,本文提出了基于生成对抗的异常状态判定方法,将时序数据转为循环递归图,对循环递归图进行状态判定,完成了组件状态的标定。为了验证判定方法的效果,同时利用了经典统计方法对组件状态进行标定。最后,针对控制器系统内部节点数量多且关联性复杂的特点,提出了基于贝叶斯网络的节点关联性建模方法,利用数据驱动的贝叶斯自主结构学习和参数学习确定了软错误传播路径的构建和量化表征,再以此为基础,完成了故障源的定位和系统失效类型推理。通过对经典统计方法和生成对抗判定方法对应离散数据进行贝叶斯网络建模,分别画出二者的贝叶斯分类器ROC曲线,经典统计方法对应贝叶斯分类器面积少于生成对抗判定方法对应的贝叶斯分类器,验证了基于生成对抗的异常判定方法具有更好的效果。