故障诊断系统对保证核反应堆运行的安全性和经济性具有重要作用。目前，我国核电站主要采用传统的阈值报警方法，无法为操作人员提供故障发生的原因以及发展趋势等信息，因此核电站智能故障诊断技术的研究对提高核电站的安全性和经济性具有重大意义。知识获取已经成为建立智能故障诊断系统的瓶颈问题，而数据挖掘是解决知识获取问题的主要途径。在应用数据挖掘方法建立故障诊断模型时，诊断模型的可理解性、执行效率和泛化能力都是评价故障诊断模型性能的重要指标，而这也正是建立故障诊断系统的难点。本文以核电站一回路和二回路主系统的典型故障为对象，针对目前核电站故障诊断中的上述困难和问题，对核电站故障诊断的技术和方法进行了以下几个方面的研究和探索。首先，对核电站典型故障进行了分析，并根据特征参数的变化采集了故障样本。针对专家系统知识获取的瓶颈问题和神经网络等黑箱建模方法所建模型不易理解等问题，本文分别采用决策树C4.5和ID3算法建立了故障诊断模型，并将决策树算法获取的规则和理论分析得到的故障特征相比较，验证了决策树算法在知识获取方面的有效性。其次，针对核电站采集和监测的参量众多，样本维数高，所造成的模型执行效率低、训练时间长等问题，本文采用邻域粗糙集对参数的重要程度进行评价，并采用贪心搜索策略构造了参数约简算法。克服了经典的Pawlak粗糙集只能处理离散数据，且参数离散化可能会丢失有效信息的问题。通过仿真分析证明进行参数约简可以大大提高诊断模型的执行效率。然后，针对参数约简后可能会丢失部分有用信息，降低诊断模型的泛化性能的问题，本文采用集成学习算法，通过训练多个基模型，然后将这些基模型的结果进行融合并给出最终结果。集成学习算法可以在保证模型执行效率的情况下，提高模型的泛化能力。同时本文对核电站实际运行中可能出现的参数缺失问题进行了研究，证明了集成学习算法在有参数缺失的情况下依然可以得到较好的诊断结果，具有良好的容错能力。同时，本文研究了核电站的时变特性。通过对参数的自相关系数曲线的分析，说明了核电站故障的发生是一个逐渐演化的过程，有必要把核电站的故障诊断当作序列监督学习的问题来对待。根据邻域粗糙集对参数重要程度的定义，计算了参数及其各阶延迟的依赖度函数，证明了随着参数各阶延迟的加入，参数对系统状态的分类能力逐渐提高，并根据依赖度函数的变化曲线选择滑动窗的尺寸。研究了参数的特征提取方法，根据参数的时变特性，选择合适的特征提取算法。通过仿真实验，验证了序列监督学习算法可以从数据中获取更多的信息，可以解决一些经典算法不能解决的问题。