在异步电机的故障诊断过程中,一般只对异步电机的某一类信息进行多层次多角度的诊断分析,由于所用的信息类型单一,获取的信息量较少,而异步电机故障诊断中的实际环境又复杂多样,因此在异步电机的故障诊断过程中就滋生了很多不确定性因素,从而导致诊断结论不可靠。本文针对异步电机故障诊断中同一征兆域很难区分多种故障类型的情形,在此引入了其它征兆域信息,同时将数据融合技术引入到异步电机的故障诊断中,来解决多个传感器信息的关联问题。本文以实验室里的故障电机为研究对象,在对国内外研究现状进行总结分析的基础上,分别给出了基于BP神经网络、D-S证据理论、以及它们二者结合的综合故障诊断方法,通过它们来对故障电机的状态参数进行融合,同时给出了融合诊断的详细步骤,达到对异步电机准确诊断的目的。首先分析了异步电机的常见故障类型、故障征兆、故障机理,在此基础上,确定出了异步电机故障诊断的内容为电机的振动信号和电流信号,同时提出了基于数据融合技术的异步电机故障诊断模型。其次,分析了BP神经网络的特点,研究了基于BP神经网络的故障诊断方法,并用实例验证了BP神经网络在解决故障征兆与故障类型之间复杂映射关系方面具有的独特优势。针对故障诊断过程中的众多不确定性因素,提出了基于D-S证据理论的融合诊断方法,介绍了D-S证据理论的基本概念、基本原理及融合算法,并结合异步电机故障诊断实例,验证D-S证据理论在解决不确定性问题方面的独特优势。最后,结合BP神经网络和D-S证据理论二者的优点,提出了基于BP神经网络和D-S证据理论的综合故障诊断方法,先用BP神经网络进行局部诊断,再用D-S证据理论进行全局诊断,结果表明该方法在准确率方面和可靠性方面都有明显提高。