在工业化、信息化、智能化不断推进的历史过程中，进一步发展实用化的智能诊断技术，在设备运行中进行状态监测和预防事故发生，是一个意义重大的任务。而燃气轮机作为新型的核心动力设备，日益受到人们的重视，应用范围也越来越广。当燃气轮机处于工作状态时，如何有效监测和诊断设备运行的状态，进而预测和规避重大事件的发生显得尤为重要。由于燃气轮机气路故障诊断研究具有重要的理论意义和工程应用价值，国内外都在不断研发各种燃气轮机故障诊断系统。本文的主要研究内容是基于数据形式的燃气轮机故障预诊断系统设计的关键技术问题，包括对燃气轮机故障模式的点形式及序列形式的异常行为的检测方式，异常检测系统建设初期的冷启动问题及异常检测系统的成长方法等。首先，本文在对燃气轮机的故障表现机制进行说明后，分析基于异常检测的方法在燃气轮机故障诊断的适用性，并对燃气轮机故障的表现的点异常形式，提出基于仿射传播聚类的异常检测方法，可在更少的参数设置下对燃气轮机异常进行检测，也便于加入样本的先验信息，具有很高的实用价值。其次，针对燃气轮机故障的序列表现机制，提出了基于加权流形嵌入的检测方法，并进一步对比和分析算法的性能和影响因素；而在辅助人脑对故障数据的信息认识的应用中，将燃气轮机序列样本嵌入到2维空间中进行了可视化展示。接着，重点解决异常检测系统建设初期的冷启动问题。系统冷启动问题是指检测系统对数据具有依赖性，在实际的异常检测系统在建设初期，系统中的数据不具有足够的数据资源，我们应用基于复构神经网络的一分类方法对此进行异常判别；而为在初步提高模型的检测准确率，提出对单独的模型先行选择是否接收待检测样本进行评判的思路，并应用拒判框架的机制对数据的异常检测应用进行筛选及判别。最后，本文研究异常检测系统的成长性问题，提出在异常检测系统的应用模型不断丰富的基础上，应用动态的多模型融合的方法对燃气轮机的运行状态进行检测，以不断提高检测系统的准确率。此方法在有充分的基检测模型的情形下，对各个待检测样本采用自适应处理的策略，动态选择最佳适用的基模型组进行评判，最终对所有的结果进行融合。