在当前世界石油生产中,特别是在油田开发的中后期,有杆泵采油方式占有很大比例。及时了解和掌握采油系统的工况,实现有杆抽油系统的自动化监控和科学管理,对提高油田采油效率和经济效益具有重要意义。本文采用支持向量机技术,利用其对小样本事件的高度识别能力实现了有杆抽油系统的故障诊断研究。(1)以有杆抽油井的故障诊断系统为研究对象,深入分析有杆抽油系统的工作原理以及示功图像的形成原理,对故障示功图的图形特点和形成原因做了重点讨论。(2)针对示功图的特点,对其进行预处理和归一化之后,采用两种算法提取特征向量,即基于不变矩的特征向量和基于小波包能量熵的特征向量,将提取出来的特征向量分别作为有杆抽油系统故障诊断的依据。(3)深入讨论统计学习理论与支持向量机,包括VC维,推广性的界和结构风险最小化原则等重要理论；同时研究了线性和非线性支持向量机以及用于分类的支持向量机中比较常用的算法。(4)在上述基础之上研究了基于支持向量机的示功图分类识别方法,分析不同的归一化方法,不同的核函数选择以及不同的参数组合对最终实验结果的影响。最终选取[0,1]的归一化方式,径向基核函数和最佳的参数<c,g>组合建立模型,分类准确度可以达到98%以上。理论分析和实验仿真表明,支持向量机方法在有杆抽油系统的故障诊断中有着较好的识别能力,具有良好的可行性。