高新武器装备具有现场试验小子样，验前信息多源性等特点，难以采用经典统计验证试验方法对其进行可靠性评价，而Bayes统计验证试验方法能够充分利用多源验前信息，实现小子样条件下的装备可靠性评价。然而，当Bayes可靠性评价中采用的验前信息不准确时，很有可能导致统计推断结果的准确性降低，更有甚者，大量失真的验前信息会“淹没”现场试验信息，进而导致Bayes可靠性评价结果的不可信。基于验前信息对Bayes统计推断结果的重要影响以及Bayes可靠性评价结果的重要性，本文对验前信息的可信度进行了深入的研究。首先，对验前信息可信度的定义与计算进行了研究，提出了基于异常值检验的验前信息可信度计算模型（Prior Information Creditability Calculation Model basedon Outlier Test, CMOT）。该模型在验前信息为验前分布形式，现场试验信息为样本数据形式的条件下，进行了验前信息可信度的算法推导。采用验前分布仿真生成多组总体分布，并利用该分布对现场试验数据进行异常值检验。统计检验过程中现场试验数据没有出现异常值的次数，将该次数与总检验次数的比值作为验前信息的可信度值。其次，对验前信息可信度的合理性判决进行了分析，建立了基于仿真的验前信息可信度合理性判决模型（Prior Information Creditability Rationality JudgmentModel based on Simulation, CJMS）。该模型利用验前分布仿真生成大量现场试验数据，并利用该数据检验验前信息，由此得到大量验前信息可信度数据。将这些数据进行统计分析，得到验前信息可信度的概率分布函数及累积分布函数。针对不同的置信水平要求，验前信息可信度的累积分布函数能够给出可靠性评价中验前信息可信度的接受下限值。然后，对验前信息可信度的影响分析进行了研究，提出了基于位置参数平移的验前信息可信度影响模型（Prior Information Impact Model based on Location Pa-rameter Translation, IMLT）。该模型基于验前信息的位置参数与其可信度之间的影响关系，确定了验前信息位置参数的偏移类型，进而对位置参数进行正向平移，修正了验前信息，并将修正得到的可信度值最高的验前信息用于Bayes统计推断。最后，对本文研究工作进行了总结，并明确了有待深入研究的内容。