由于光伏发电系统经常面临恶劣工作环境的考验,因此故障往往难以避免,种种故障不仅导致发电效益降低,甚至可能产生安全隐患。为了提高光伏系统的可靠性和工作效率,行之有效的故障检测方法必不可少。因此,本文基于数据驱动方法,先对光伏阵列输出数据进行特征空间变换处理,再进一步利用处理后的数据训练故障检测与分类模型（Fault Detection and Classification Model,FDCM）,实现对光伏阵列典型故障的检测与分类。首先,本文研究了一种基于密度骨架聚类（CLUstering based on Backbone,CLUB）算法和分类回归树（Classification And Regression Tree,CART）的光伏阵列故障检测方法。首先通过CLUB算法对大量未知类别的光伏阵列输出数据集进行聚类,再利用少量已知类别的标准数据对聚类结果进行标定,确定数据集的分类情况,最后以此数据集结合CART算法训练FDCM,实现对光伏阵列故障数据的实时诊断。其次,针对光伏阵列某些故障的数据特征相似而难以分类这个难题,研究一种基于线性判别分析（Linear Discriminant Analysis,LDA）和支持向量机（Support Vector Machine,SVM）的光伏阵列故障检测与分类方法。先采集光伏阵列的多种信号并组建数据集,再通过LDA分析该数据集,获得使数据集具有最佳可分类性的投影方向,然后对数据集进行投影变换,接着采用SVM训练,最终获得有效的FDCM。最后,研究主成分分析（Principal Component Analysis,PCA）和LDA的特点,在此基础上得到一种混合判别分析（Hybrid Discriminant Analysis,HDA）方法。通过HDA对数据集进行投影变换,并将投影变换后的数据送入SVM训练FDCM。仿真和实测验证表明,相较于LDA,通过HDA方法进行投影变换后得到的数据能够训练出分类准确率更高的FDCM。本论文的研究使用CLUB、LDA、PCA和HDA这四种数据驱动的多变量统计分析算法有效地提取数据特征,并结合CART及SVM这两种数据驱动的人工智能算法实现光伏阵列故障检测与分类。本文所述的研究通过光伏阵列仿真模型输出数据的验证,同时在一个峰值功率为1.8k W的光伏发电平台进行实测验证,验证结果证明了方法的有效性。本文的工作可以为光伏阵列故障检测与分类技术的发展提供一定的思路。