随着制造业的不断发展以及人们对于产品质量要求的不断提升,产品的可靠性成为消费者做出购买选择的重要因素。与此同时,产品可靠性也成为了制造商制定产品的质保策略需要考虑的重要因素,如果可以通过可靠性数据来较为精确地预测产品的可靠性,对于企业制定产品、质保、预算等策略都十分有参考价值。所需要的可靠性数据一方面来源于产品质保期内产生的质保索赔行为,另一方面可来源于企业对产品进行寿命试验或者进行产品调研。当前对于产品投入市场之后的价值延伸环节,针对产品的可靠性数据的分析受到了广泛关注。在目前已有的传统研究中,一些预测方法被开发出来,例如传统威布尔分布模型、对数线性泊松预测模型、卡尔曼滤波模型、时间序列模型等。但是目前的预测方法有两个问题:(1)基于某些特定分布模型,而可靠性的影响因素往往是不确定的,这就大幅限制了预测的精度;(2)基于维修率进行预测,造成了对数据的浪费,未能充分挖掘可靠性数据的价值。随着硬件的计算和存储能力不断革新,机器学习技术发展迅速,很多停留于理论研究的机器学习算法得到了实现,为大数据时代的生产活动带来了实际的价值。为了克服传统方法的局限性,文章引入机器学习方法中的支持向量机的回归方法(SVR)进行可靠性的建模研究。支持向量机方法具有强鲁棒性、泛化能力强、精度高等优势,突破传统分布的制约。另外,文章进行建模之后,进行了进一步的讨论,如参数优化、数据量讨论、核函数选择等等,研究了相同可靠性下行驶里程与使用时间的关系,最后加入与其他机器学习方法的对比,拓展文章研究深度。