在原油开采的各种方式中，应用最为广泛的是人工举升采油法（机械采油法），同时机械采油法中又以游梁式抽油机采油为主，所以说游梁式抽油机在整个油田采油中占有至关重要的地位。然而在实际的采油过程中，随着采油作业的深入，采油机井会发生各种类型的故障，这将直接关系到采油的正常进行，同时也会对油田企业造成巨大的经济损失，鉴于此，本文以游梁式抽油机井工况监测与故障诊断系统为研究对象，针对系统中所涉及到的抽油井工况监测系统、抽油井示功图特征向量的提取以及基于RBFNN（Radial Base Function Nerual Network，径向基神经网络）模型对抽油机井进行故障诊断关键技术进行了研究。主要的研究内容如下：（1）抽油井工况监测系统的建立。介绍了工况监测系统的组成及各功能模块的实现；针对本课题所研究的抽油机井故障诊断，完成了抽油机井示功图等数据的采集，进而建立了后面网络诊断用到的征兆/故障样本集。（2）对于抽油机井示功图特征向量的提取，选用了具有很强轮廓形状识别能力的傅里叶描述子，针对传统傅里叶变换为保证形状的精度，采样点数很多，进而导致运算量很大的缺点，提出了对近似多边形的各条直线段进行连续的傅里叶变换来替代原来的离散傅里叶变换，该方法不但减少了边界曲线间距离散化引起的误差，而且大大降低了傅里叶变换的运算量，使整个抽油机井诊断系统变得更加准确，更加高效。（3）通过分析比较基于梯度下降法和遗传算法的RBFNN模型各自特点，提出了一种基于傅里叶描述子的分层循环学习RBFNN模型算法。通过对非线性函数逼近的仿真实验证明了所提算法是准确有效的。（4）完成对故障诊断系统的验证。通过对大量的现场实测示功图对建立的RBFNN模型进行验证，分析结果表明，建立的RBFNN模型能够很好的对故障类型作出准确的判断。