共因失效是各类系统中广泛存在的、零件之间的一种相关失效形式。这种失效形式的存在，严重削弱甚至是否定了冗余的安全作用，也使得一般系统的可靠性模型变得更为复杂。核工业的概率风险分析已表明，相关失效是系统失效和设备不可用的主要原因之一。因此，在有高可靠性要求的系统中，高度重视相关失效的影响是十分必要的。 在综述了国内外相关失效研究现状的基础上，总结了现有的相关失效分析方法中存在的主要问题。目前的绝大多数相关失效概率模型都是以系统出现过的相关失效事件为依据的经验模型。由于相关失效事件稀少，所以应用经验模型预测相关失效概率，无法避免严重的不确定性。本文从零件失效的物理模型—应力-强度干涉模型出发，通过零件失效机理分析了系统相关失效的机理，并讨论了应力分散性和强度分散性对失效相关程度的不同影响，解释了失效独立性假设会造成系统相关失效信息遗失的问题，得出系统失效的相关性来源于应力的随机性，零件强度的分散性有助于减轻各零件间的失效相关程度。 通过系统相关失效机理分析，得到了零件失效概率变量的概率特性，即把零件失效概率看作是应力的函数时，这个条件失效概率本身为一随机变量。根据应力-强度干涉模型建立了基于零件条件失效概率分布的系统相关失效概率模型，提出应用MonteCarlo模拟与神经网络技术相结合的方法确定零件条件失效概率的分布类型，获得了计算系统相关失效概率的数学表达式。该方法不依赖于任何模型假设，而只需要低阶失效数据和系统结构就可以计算系统的任意阶失效概率。模型中只有两个参数，且参数估计方法简单方便。实例证实了该方法的求解精度较高，该模型适用于任意高阶的需求型失效的冗余系统。 目前的大多数相关失效模型都是假设失效率为常数的静态模型，这种假设在很多情况下是不成立的，尤其对于机械系统。本文基于冲击模型的思想，对传统冲击模型中的不合理假设进行了修正，用非齐次泊松过程——幂指数过程描述系统相关失效过程，得到了系统相关失效的动态模型。模型的参数估计是难点，本文通过参数变换，不仅得到了能够衡量系统失效相关性的量——相关系数，而且使模型的参数估计变得容易。然后分别采用BP神经网络和自适应线性神经网络得到了模型参数的估计值。本文提出的动态模型是基于类似于浴盆曲线的时间相关的幂指数失效率，与传统的基于常数失效率的模型相比，具有更大的优越性和更广的适用范围。 本文还利用影响向量法将相关失效事件的不确定性量化，得到了相关失效分析所需要的数据形式。针对失效数据不足的问题，采用基于概率论的和神经网络的数据映射方法，将大小不同的系统数据映射成相同大小的系统数据，然后进行合并得到了被分析系统所需的充足数据，为相关失效的定量分析提供了可靠的数据来源。