故障诊断技术对于提高系统的安全性、可靠性、有效性，减小经济损失，保障人身安全具有重要意义，日益为人们所重视。然而随着诊断对象的复杂性不断上升，现有的故障诊断理论和技术正面临着复杂系统带来的严峻挑战。 神经网络不必掌握系统机理就能完成故障诊断，以其良好的非线性映射能力为复杂系统的故障诊断提供了一个快速而且有效的方法。另一方面，神经网络完全依赖于样本数据，可能无法全面反映对象特性，先验知识可作为黑箱建模的一个补充，提高神经网络的拟合精度和收敛速度。因此，研究结合先验知识的神经网络用于复杂系统的故障诊断，具有重要的研究价值和广泛的应用前景。 论文首先全面研究了故障诊断技术，分信号处理的方法、数学模型的方法和智能诊断方法三类，对比分析它们的适用条件。由于复杂系统结构复杂、参量指标多，故障机理的可认识性和可描述性差，应用白箱建模用于复杂系统故障诊断难度高，使用黑箱建模可避开此障碍。 其次，在对神经网络的结构特点和训练算法综合讨论的基础上，把先验知识和神经网络的结合方式分为结构约束方法，权值约束方法和数据约束方法，给出了它们的基本原理和实现方法。重点研究了数据约束方法，提出了融合先验知识样本的故障诊断方法。该法把故障先验知识转化为神经网络可处理的形式，提前完成了神经网络训练的部分工作从而加快收敛速度，并提高了网络对先验知识泛化能力。 然后，选取地铁列车牵引系统这一典型的复杂系统为例，用系统分析、故障树分析、模糊推理等抽取总结出牵引系统的故障先验知识，应用融合先验知识样本法进行故障诊断，仿真结果表明网络收敛性和诊断精度均收到了满意的结果。 最后，总结论文工作，指明下一步的研究方向：完善融合先验知识样本法的理论证明；降低先验知识的主观性；进一步研究先验知识向神经网络可用形式的转换方法等。