El método de confiabilidad basado en Kriging con un diseño secuencial de experimentos (DoE) ha sido desarrollado en los últimos años para funciones de estado límite implícitas. Tales métodos incluyen el análisis de confiabilidad global eficiente, el método de confiabilidad de aprendizaje activo que combina Kriging y simulaciones MCS. En esta investigación, se propone un nuevo método de aproximación local basado en el punto de falla más probable (MPFP) para mejorar tales métodos. En este método, el MPFP calculado en la última iteración es el centro de la siguiente región de muestreo. El tamaño de la región local depende del índice de confiabilidad obtenido por el Método de Confiabilidad de Primer Orden (FORM) y la distancia de desviación de la desviación estándar. El algoritmo propuesto, que aproxima la función de estado límite de manera precisa cerca del MPFP en lugar de en todo el espacio de diseño, puede evitar la selección de muestras en regiones que tienen efectos despreciables en los resultados del análisis de confiabilidad. Además, también se introduce una técnica de enriquecimiento de múltiples puntos para seleccionar varios puntos de muestra en cada iteración. Después de obtener una aproximación de alta calidad de la función de estado límite, la probabilidad de falla se calcula mediante el método de Monte Carlo. Se utilizan cuatro ejemplos numéricos para validar la precisión y eficiencia del método propuesto. Los resultados muestran que el método propuesto es muy efectivo para una evaluación precisa de la probabilidad de falla.