目前一些常用的故障诊断方法都是以大样本数据集为基础的,但实际工程中受环境的限制只能得到小样本数据,有必要建立一种基于小样本故障诊断的分类模型。同时,在表达不确定性问题和多源信息表达与融合方面,基于人工智能的智故障诊断方法存在或多或少的缺陷。贝叶斯网络作为目前不确定性知识表达和推理领域最有效的理论模型之一,适用于不确定性和概率推理的知识表达和推理。因此,研究用贝叶斯网络构建分类性能良好的分类模型,对实际小样本故障诊断的应用是非常有意义的。本论文重点构建了两类贝叶斯分类模型。首先,针对现有朴素贝叶斯分类模型只能解决离散属性变量问题,对于连续变量的分类问题,往往要先进行预离散化,这容易造成分类信息的丢失,进而影响分类精度。本文通过分析混合高斯模型的特点,结合现有的朴素贝叶斯分类模型,构建了基于连续属性变量的贝叶斯分类模型(CNBC)。本论文建立了两类准确性评估模块,仿真试验表明,新构建的分类模型能有效提高对连续属性数据的分类精度,并且分类性能明显优于现有同类算法。鉴于朴素贝叶斯分类器尽管有良好的分类性能,但不能正确揭示变量之间的因果关系,本论文基于K2算法构建了通用贝叶斯网络分类器(GBNC_K2)。首先通过仿真试验表明,利用GBNC_K2分类模型可以学习到具有良好解释性的模型结构。进一步研究了分类器离散等级这一参数对分类器性能的影响,通过试验方法可以确立分类性能最优情况下的离散等级。分析贝叶斯网络参数条件概率值(CPT),表明了GBNC_K2分类模型在对数据分类的同时,可以对特征空间进行特征提取。最后对分类模型用分类准确性评估方法进行了测试,分类结果表明该分类器在小样本情况下具有优越的分类性能。论文最后选取旋转机械常见的轴承故障为应用对象,将建立的贝叶斯分类模型应用到小样本故障诊断领域。通过对不同损伤程度的轴承故障分类诊断,结果表明本文建立的贝叶斯网络分类模型在小样本故障诊断中的有效性。