钻进过程实时状态监测与故障诊断是在非线性动态特征分析的基础上对钻进过程进行辨识和控制的。由于动态系统的随机干扰比较大，钻进过程的规律很难用数学模型来描述，单一的特征量不能详细全面地提供钻进过程的状态信息。由此引入数据融合的思想，在对神经网络和证据理论研究的基础上，初步构建了一个具有数据融合性质的故障诊断系统，对钻进过程故障状态属性进行识别。 分析钻进过程中常见事故产生的原因及判断方法，提取故障特征建立基于BP神经网络的故障诊断模型，选用改进的BP算法中的动量学算法和学习率自适应算法弥补了传统的BP算法的缺陷，利用VisualC＃，NET软件进行了基于神经网络的故障诊断仿真实验，试验证明网络输出结果理想。在此基础上提出了神经网络初步诊断和D-S证据理论融合决策诊断相结合的钻进过程故障诊断方法，建立了相应的功能模型，给出了基于神经网络的基本概率分配方法和诊断决策规则，利用优化后的神经网络诊断结果转化为证据推理模型，完成多数据融合过程，避开了建立质量函数的麻烦，充分利用各个数据之间包含的冗余和互补信息，提高了系统决策的准确性和鲁棒性，提高了故障诊断的确诊率。