传统结构的可靠度分析围绕不确定性展开,一般以随机可靠性模型和模糊可靠性模型来确定,并以模型中不确定变量的概率密度函数为基础,然而不确定变量的概率密度函数的确定则需要大量的数据和精确的样本信息,在实际工程中很难满足,因此,有关学者提出不需要知道变量的分布,仅需要知道变量范围的非概率模型进行结构可靠度分析。有关研究表明,非概率可靠度模型比概率模型更合理,更能够满足实际工程结构的需要。而随着非概率可靠度理论的发展,概率与非概率混合可靠度的研究也逐渐成为探讨的热点。本文对非概率可靠度模型、概率与非概率混合可靠度模型进行分析,针对复杂结构对应的功能函数具有高度非线性、隐式表达等特征,采用传统方法难以高效求解的问题,提出了基于高斯过程回归动态响应面的粒子群优化方法,该方法利用高斯过程回归模型在处理高度非线性隐式函数问题上的优势,能够自适应获取最优超参数,并在动态更新学习样本的基础上,进行自适应学习,使得高斯过程回归模型能够精确的拟合隐式结构的功能函数,实现小样本下隐式函数的显示表达,然后利用全局寻优能力强的粒子群优化算法搜索设计点,并通过构造合理的迭代方式,利用各迭代步的设计点信息动态提升响应而对结构功能函数的重构精度,最后,以迭代完成后的最终的设计点为中心求解可靠指标值。本文通过经典的数学算例和工程算例验证本文方法的可行性,并与传统响应面方法进行比较分析,为复杂结构的非概率可靠度问题提供一条高效快速的求解思路。研究表明,本文针对非概率可靠度模型、概率与非概率混合可靠度模型可靠指标求解的方法均是可行的,具有计算效率高和计算代价低等优点,对于求解计算代价高的具有隐式功能函数特征的非概率可靠度问题具有良好的适用性,与基于二次多项式的传统响应面法相比较,该方法的计算效率与计算精度均较高,且易于与已有的有限元软件相结合,适用于求解具有隐式功能函数且计算耗时的复杂结构非概率可靠度问题。