工程结构设计中存在诸多不确定因素，如材料特性，载荷，尺寸等，评估结构性能好坏的有效途径就是进行可靠性分析。基于可靠性的设计优化（Reliability-BasedDesign Optimization, RBDO）是将优化设计技术与可靠性分析理论相结合的一种新的优化方法，因其在保证可靠度的同时，可以获得使产品的重量，体积或成本等最优的设计，备受国内外学者的关注。然而对于复杂的工程结构，响应函数为隐式，高度非线性等RBDO问题，现有的方法往往存在求解困难，计算成本高等问题。支持向量机（Support Vector Machine，SVM）作为一种新的机器学习方法，具有很好的小样本学习的优越性。用较少的样本建立SVM模型代替真实的功能函数，显式的给出决策边界，可以有效地解决含有隐式或高度非线性功能函数的可靠度分析问题。本文在已有研究的基础上，引入了SVM分类理论和显式空间分解思想，在详细阐述其理论及参数影响的基础上，提出了一种改进的自适应采样策略（IAS）来精确训练SVM分类模型，以此代替响应函数来进行可靠性分析或敏度计算，并结合蒙特卡洛仿真（MCS），序列规划方法一起，提出了求解RBDO问题的新方法IAS-RBDO，很好的解决了响应函数为隐式，非线性等梯度难于求解的问题，拓展了现有RBDO方法的求解范围。两个数学算例和一个工程实例的求解验证了所提方法的有效性和精确性，具有一定理论研究意义和工程应用价值。