为了提高结构可靠性评估的准确性,往往需要基于大量的试验数据或样本信息。然而,对于轨道车辆及其关键零部件而言,其结构复杂、制造成本较高,仅能通过少量的试验数据验证其设计指标的合理性,无法从可靠性的角度对其进行准确评价。为了在现有数据的基础上实现结构可靠性的准确评估,本文对基于小子样的结构可靠性评估方法进行了研究,分别从小子样、极小子样和无失效数据的小子样等三方面开展了相关工作,并针对各传统方法存在的主要问题,提出了相应的解决方法,主要研究工作如下:针对采用Bayes方法对小子样进行可靠性评估时,样本量少和难以充分利用多种先验信息以获得更加准确的先验分布的问题,提出一种改进的Bayes方法。首先,利用ML-II加权平均多源信息融合法对多种先验信息进行融合,获得更加准确的先验分布。其次,采用S-W方法检验小子样和先验分布分布类型的一致性,运用K-S检验方法对小子样样本分布与先验分布进行相容性检验,确定其来源于同一分布。再次,运用蒙特卡罗方法对样本数据进行扩容,增大样本的容量,进而拟合得到小子样样本分布的参数的估计值,并将其带入Bayes公式得到小子样的后验分布。最后,利用该方法对具有小子样特征的齿轮箱箱体进行可靠性评估。针对采用Bootstrap方法对极小子样进行可靠性评估时,在重抽样的过程中样本向均值集中导致评估结果不够准确的问题,提出一种改进的Bootstrap可靠性评估方法。首先,采用虚拟增广样本法对极小子样进行增广,增广至小样本。其次,将增广后的小样本按照大小进行排序并分组,运用四分位差法和传统Bootstrap法对分组后的数据进行可靠性评估。最后,以齿轮箱箱体的极小子样数据为基础验证基于改进的Bootstrap可靠性评估方法的有效性。针对无失效数据的小子样可靠性评估样本量小且缺乏先验信息的问题,提出一种基于Bayes理论的可靠性评估方法。首先,运用Bootstrap方法对小子样样本进行重抽样。其次,分别利用E-Bayes方法和多重Bayes的配分布曲线法计算结构在每个重抽样截尾时间下的失效概率估计值。再次,根据可靠性的相关理论得到小子样样本分布的参数估计值,进而求得机械结构的失效率和可靠度的估计值。最后,将该方法用于齿轮箱箱体的小子样无失效数据可靠性评估,并通过对比分析得到E-Bayes方法和多重Bayes方法用于无失效数据的小子样可靠性评估的优缺点。