冷水机组在供冷季需要长时间运行,若机组出现故障,会造成能源浪费、机组寿命下降和供冷量不足等后果,因此大量学者针对冷水机组的故障检测与诊断方法展开研究。但由于选择的特征与现场传感器不匹配、机组运行数据的噪声大,目前提出的冷水机组故障检测与诊断方法并未在实际中广泛推广。本文从面向实际应用的角度,针对冷水机组故障检测与诊断的三大环节展开研究。首先,针对特征选择阶段,总结了国内机房冷水机组传感器的安装现状,并研究一种基于粒子群（Particle Swarm Optimization,PSO）的包裹式特征选择方法,考虑漏检和虚警造成代价的不同,从而引入代价敏感分类精度（Cost-Sensitive Classification Accuracy,CSCA）,并结合支持向量数据描述（Support Vector Data Describtion,SVDD）分类模型作为适应度函数,找出最优特征子集,最后依据现场已有的传感器类型,确定本文研究的特征集合。其次,针对数据预处理阶段,从滤波发散问题作为切入点,对现场冷水机组的运行特点进行分析,针对冷水机组的多变工况和运行模式,以卡尔曼滤波（Kalman Filter,KF）为基础,实现渐消记忆（Fading Memory,FM）和限定记忆（Limited Memory,LM）方法的自适应选择,对LM进行进一步改良,并与交互多模型（Interacting Multiple Model,IMM）进行融合,提出了一种基于可变记忆长度的F/LM-IMM的非线性KF方法,实现了滤波器在冷水机组改变工况、改变运行模式时的强跟踪特性和鲁棒性。最后,建立了基于SVDD的实时故障检测与诊断（Fault Detection and Diagnosis,FDD）模型,从而完整的构建出面向实际应用的冷水机组FDD体系。本文采用ASHARE RP-1043实验数据验证了该体系的有效性。在特征选择阶段,本文介绍的基于PSO的特征选择方法确定了包含14个特征的最优特征子集,其CSCA适应值达到0.9951,根据现场已有的传感器特征又将特征缩减至9个。在数据去噪阶段,首先对比滤波前后的数据,发现经过基于可变记忆长度的F/LM-IMM的非线性KF方法处理后,满足稳态判定条件的正常模式运行数据由35%升至94%,极大地减少运行数据的损失。然后本文设置了三种验证方案,基于这三种方案对比了无迹卡尔曼滤波（Unscented Kalman Filter,UKF）、FM-UKF和基于可变记忆长度的F/LM-IMM的非线性KF方法的滤波效果。结果表明,多变工况和运行模式下冷水机组的数据滤波去噪采用基于可变记忆长度的F/LM-IMM的非线性KF方法效果显著。FDD阶段中,将机组的实时运行数据分为原始数据和本文所提方法滤波去噪后的数据,利用SVDD模型分别对这两类数据进行验证,结果发现:在故障检测阶段,样本经过滤波去噪处理后,其虚警率（False Alarm Rate,FAR）和正确率（Correct Rate,CR）均有改进;在故障诊断阶段,七个故障模式的运行数据经过去噪处理后,诊断CR均显著提高。结果表明,基于可变记忆长度的F/LM-IMM的非线性KF方法的滤波效果显著,并能改善FDD的性能指标。