本公開實(shí)施例中提供了一種學(xué)習(xí)函數(shù)與kriging模型結(jié)合的自適應(yīng)結(jié)構(gòu)可靠性分析方法，包括獲取結(jié)構(gòu)的功能函數(shù)g(x)，并獲取影響結(jié)構(gòu)功能函數(shù)的變量x及其分布信息；在采樣空間內(nèi)抽取N個(gè)候選樣本點(diǎn)，并再次抽取n_L個(gè)初始隨機(jī)樣本點(diǎn)，組成訓(xùn)練集ζ；根據(jù)訓(xùn)練集ζ獲取函數(shù)值Y，利用kriging模型構(gòu)建代理模型利用蒙特卡洛仿真方法獲得當(dāng)前第k次迭代時(shí)所獲得的代理模型的失效概率判別是否符合收斂條件；利用學(xué)習(xí)函數(shù)自適應(yīng)選擇出新的樣本點(diǎn)x_new，并將x_new并入ζ；最終獲得結(jié)構(gòu)的失效概率本發(fā)明在保證精度的前提下提高了收斂速度，有效避免了其他一些學(xué)習(xí)函數(shù)因以單一樣本點(diǎn)為核心的收斂準(zhǔn)則而引起的樣本點(diǎn)過度添加情況，從而提高了樣本點(diǎn)的利用效率。