对于复杂工业生产过程而言,由于系统运行工况复杂,影响因素众多,使得每种故障的发生都有多方面的成因;并且一旦出现故障,极易导致连锁反应,进而出现多故障并发的局面。此外,由于单一传感器所提供的故障特征信息一般是模糊的、不完整的以及不确定的,有时甚至是错误的,不能提供系统运行过程中完整的状态信息,所以使得仅靠某一传感器信息来识别故障的准确率并不高;此外,由于先验知识的有限,诊断角度的不同,所以各诊断算法各有优势和弊端,仅凭某一种诊断算法很难对故障做出全面、准确的诊断。而信息融合技术则通过综合多个信息源的信息,依据某种融合规则,充分利用多源信息的冗余和互补优势,进而获得比单一信息源对对象更全面、更合理的解释。因此本文采用多层次信息融合技术来进行故障诊断。主要研究工作概括如下:首先,应用BP(Back Propagation,BP)神经网络与支持向量机建立轧制过程故障诊断模型,获取初步诊断结果。针对BP神经网络存在对复杂数据训练收敛速度慢、易陷入局部极值的缺点,本文采用思维进化算法对BP神经网络的初始权值、阈值进行优化,进而建立了更为准确的故障诊断模型。考虑到轧制过程故障类型复杂,传统的两分类支持向量机对其并不适用,基于此研究了适合轧制过程故障诊断特点的基于“一对一”策略的多分类支持向量机,并建立了后验概率输出模型。由于支持向量机参数选取的不同会影响诊断结果,研究了基于网格搜索与交叉验证的支持向量机参数寻优方法。最后将基于BP神经网络与支持向量机的特征层初步诊断结果作为证据,为进行下一步的决策层融合推理提供依据。然后,重点研究了基于DSm(Dezert-Smarandache,DSm)理论的决策层多故障诊断方法。基于广义辨识框架和超幂集概念的DSm模型可以有效地表示多故障及多故障之间的关系,因此本文以DSm理论为基础,结合多个故障同时发生时的特点,建立了基于DSm理论的决策层多故障诊断模型并通过故障实例验证了混合DSm融合规则对耦合多故障诊断的有效性。最后,针对混合DSm融合规则不满足结合律使得信度在融合过程中重新分配时导致分配不当,进而导致诊断结果不准确的问题,本文还研究了基于分类折扣DSm的决策层多故障诊断方法。从分析证据集的冲突程度出发,将证据进行聚类并确定每个类别下证据的融合顺序,将冲突程度大的证据最后融合,从而避免在融合过程中出现冲突分配不恰当的问题;此外,考虑到个别异常证据对融合结果的干扰,通过引入折扣因子来对证据体进行修正,进而给出了基于分类折扣DSm的融合规则,并通过诊断实例验证了该方法的有效性。