有杆泵抽油是国内外最广泛采用的一种人工举升方式。在实际的生产过程中,抽油系统发生的各类故障会影响正常开采,导致产量减少甚至设备损坏。示功图用来描述一个冲程内悬点位移和光杆载荷间的关系,通过分析示功图形状的变化可以监测井下的各种异常状况,以此对现场故障进行预警或及时调整生产参数,从而保证采油作业安全、稳定、高效的运行。因此,实现对有杆泵抽油系统故障的自动诊断具有非常重要的意义。本文以此作为研究背景,以提高示功图诊断的准确性和适用性为目标,基于降维算法对有杆泵抽油系统的故障诊断方法进行深入研究。本文主要工作概括如下:（1）为了有效利用未标记的示功图样本数据,提出了一种半监督的非线性降维方法,即数据依赖核半监督稀疏保持映射（Data-dependent kernel semi-supervised sparsity preserving projection,DKSSPP）。该算法将数据依赖核技术与稀疏保持映射算法相结合,首先采用数据依赖核代替标准核函数将所有的有标签数据映射到一个高维的特征空间中,同时引入Fisher准则使得在此空间中所有的有标签数据具有最大的可分离性。然后在高维特征空间中计算所有数据的稀疏重构关系,最后通过映射矩阵将所有数据映射到低维空间中并尽可能保持数据间的重构关系。实验表明DKSSPP可以有效利用未标记数据并提取示功图特征用于故障诊断。（2）针对现有降维算法与数据依赖核相结合的方法不能同时考虑流形结构计算与数据依赖核中结合系数优化的问题。从两个角度出发,提出了数据依赖核稀疏判别分析（Data-dependent sparse discriminant analysis,DKSDA）和有监督数据依赖稀疏保持映射（Supervised data-dependent kernel sparsity preserving projection,SDKSPP）。DKSDA建立类间谱图和类内谱图并利用标签信息优化数据依赖核中的结合系数,而SDKSPP引入光滑假设即样本空间与标签空间具有相似的流形结构来解决这一问题。将两种算法进行对比,发现采用基于光滑假设的SDKSPP算法对示功图数据提取特征可以达到更好的诊断效果。（3）针对基于稀疏表达的降维算法只能提取数据集局部特征的问题,提出了基于数据依赖低秩判别分析（Data-dependent kernel based low-rank discriminant analysis,DKLRDA）。该算法采用数据依赖核技术将低秩保持嵌入扩展为一种有监督的非线性降维算法。对低秩重构系数矩阵增加稀疏约束,使DKLRDA可以同时提取数据集的局部信息和全局信息。基于上一章的结论,采用光滑假设作为优化准则,可以同时考虑低秩重构系数的计算和数据依赖核中结合系数的优化。采用非精确増广拉格朗日乘数法（Inexact Augmented Lagrange Multiplier algorithm,IALM）,通过迭代优化来解决遇到的非凸优化问题。实验证明采用本章提出的算法对示功图进行特征提取可以达到更好的诊断效果。（4）针对当单口有杆泵抽油井的历史数据种类不完备时,仅用该井的历史数据进行训练无法有效识别属于缺失种类的故障样本的情况,结合迁移学习,提出并采用了一种基于有监督字典子空间迁移学习的方法（Supervised dictionary-based subspace transfer learning,SDSTL）。该方法可以有效利用其它抽油井的种类较为完备的示功图历史数据。经过降维后,种类完备的源域数据和种类缺失的目标域数据可以在低维空间中被同一个字典矩阵所线性重构。利用标签信息,引入两个理想编码矩阵对字典矩阵进行更新。通过实验证明,所提出的算法可以对历史数据中缺失种类的故障进行识别。（5）针对多口有杆泵抽油井历史示功图数据种类均不完备的情况,提出并采用一种基于判别字典多域子空间迁移学习方法（Subspace transfer learning based on discriminant dictionary for multi sources,STLDDM）。该方法假设各油井的历史数据种类均不完备,但是多口油井数据种类的并集完备。不同抽油井的数据通过不同的映射矩阵进行降维后,所有数据都可以在低维空间中被同一字典所线性重构。引入类内谱图,使更新得到的字典矩阵更具判别能力。实验证明,所提出的方法可以利用多口抽油井的不完备数据对不同抽油井历史数据中缺失种类的故障进行识别。