目前，计算机智能己经在故障诊断中得到了广泛应用。人工神经网络是一种自适应非线性动力学系统，具有可学习性和并行计算能力，可实现分类、自组织、联想记忆等功能。由波兰学者Z.Pawlak提出的粗糙集理论，是一种研究不精确、不确定性知识的数学工具，可方便地描述知识表示中不同属性的重要性，减少知识表示空间的维数。 抽油机泵功图包含有杆抽油系统工作状态的丰富信息，是有杆抽油系统故障诊断的重要基础资料，泵功图识别是人工智能与模式识别技术在有杆抽油系统领域的重要应用。因此本文利用粗糙集理论的知识获取和知识约简能力，以及神经网络的学习能力和泛化能力，构造粗糙集神经网络完成有杆抽油系统中的故障诊断。 本文融合粗糙集与神经网络的研究成果，建立基于粗糙集与神经网络结合的泵功图识别方法，即先利用粗糙集理论有效降低泵功图样本特征的维数，再利用约简后样本构造网络，简化神经网络识别器结构，减少神经网络识别器的学习和运行的时间。最后利用MATLAB软件建立有杆抽油系统井下故障诊断系统。 网络诊断结果表明对于已学习过的样本知识，仿真结果与实际相吻合，表明该网络能够正确地进行故障诊断，基于粗糙集与神经网络结合的泵功图识别系统的研究具有一定的理论意义和实践价值。