异步电机作为当前运用最广泛的驱动装置，在人们生活的各个领域中起到了不可替代的作用，它的故障往往会带给人们意想不到的灾难。因此，对异步电机故障诊断技术的研究具有非常重要的社会意义。在过去的几十年中，异步电机故障诊断技术由以前的纯靠人的经验和利用数学模型等传统方法到后来利用各种传感器和人工智能相结合的方法，得到了飞速的发展。然而，目前主要采用的各种单一人工智能方法还存在很多的不足，特别是对于复杂的诊断系统，得到的诊断结果往往准确度偏低。在此基础上，本文利用不同人工智能诊断方法的优势互补并结合不同的信号处理方法，提出了一种基于混合智能故障诊断技术的方法。　　本文以异步电机故障诊断为研究对象，首先从课题的研究背景及意义进行介绍，进而简单阐述了国内外异步电机故障诊断技术的发展状况及趋势，同时对混合智能故障诊断技术进行定义和简介，并从定子电流信号和振动信号方面对异步电机的各种常见故障类型进行机理分析。然后对希尔伯特—黄变换中的EMD分解和Hilbert谱分析两个步骤进行重点研究，并用该方法对故障信号进行处理，对采集到的各类故障的定子电流信号和振动信号进行特征信号提取，构建系统需要的故障特征向量。在故障类型的识别方法上，采用了当前广泛应用的BP神经网络，通过对该网络的深入研究，了解并掌握其优缺点，并针对 BP神经网络的缺点，提出了粒子群算法优化BP神经网络的混合人工智能技术，并重点分析和研究了粒子群算法的工作原理和算法以及如何优化BP神经网络。最后，构建了基于混合智能故障诊断技术的异步电机故障诊断系统模型，并以异步电机正常、定子匝间短路、转子断条和轴承故障4种工作状态为诊断对象，对系统模型进行仿真验证和分析。通过仿真结果，验证了基于混合智能故障诊断技术的异步电机故障诊断系统是正确、可行的。