液压六自由度并联机构具有高精度、高刚度、多功能性和安全性等优点,已经成为现代化工业制造和自动化生产的重要工具。液压系统作为六自由度并联机构的动力系统具有传动效率高、负载能力大、响应速度快等特点。液压系统一旦出现故障,会对机构运动产生严重影响。因此,及时排查和解决液压系统故障对于保证液压六自由度并联机构的正常运行和安全性具有重要意义。液压系统故障有频率高、故障传递性强和故障种类多等特点,故障形式复杂多样。以卷积神经网络为代表的人工智能算法克服了传统故障诊断中依据人工经验进行判断的缺点。依靠网络自学能力,在液压系统故障诊断中取得较快的诊断速度和较高的准确率。卷积神经网络中的Soft Max分类层仅能够对特征数据进行概率分布,对于某些故障类型分类效果较差。针对卷积神经网络的此类不足,提出了一种双通道融合卷积神经网络（CNN）加支持向量机（SVM）六自由度并联机构液压系统故障诊断算法。选择分类效果更加优秀的SVM代替Soft Max分类层,进一步提升故障诊断结果的准确率。本文主要研究内容有:首先,基于液压六自由度并联机构的组成和工作原理,推导了液压六自由度并联机构运动学反解数学模型。针对液压六自由度并联机构多系统协同工作和各系统强耦合的特点,使用AMESim和MATLAB软件建立液压六自由度并联机构联合仿真模型。完成了液压系统常见故障机理分析,对液压缸内泄漏和伺服阀堵塞两种故障进行故障仿真,通过仿真结果分析不同故障对液压系统的影响。选取液压系统中液压缸位移、液压缸无杆腔压力和液压缸无杆腔流量等特征向量作为后续故障诊断样本。其次,建立一维卷积神经网络（1DCNN）故障诊断模型和二维卷积神经网络（2DCNN）故障诊断模型。在进行故障诊断前,将选取的故障诊断样本进行归一化处理,消除不同信号间的幅度差异。将处理后的样本输入到网络模型中进行故障分类。针对1DCNN和2DCNN提取特征不完整的问题,提出双通道融合CNN故障诊断模型。将故障样本分别输入1DCNN和2DCNN进行特征提取,增加汇聚层将提取到的特征向量进行融合,然后进行分类。最后,卷积神经网络中的Soft Max分类层可以有效的进行故障分类,但也存在些许不足。支持向量机在高维数据处理能力和小样本数据处理能力的性能都优于Soft Max分类层。为此,本文选择支持向量机（SVM）代替卷积神经网络中的Soft Max分类层,组成双通道融合CNN-SVM故障诊断算法。实验结果表明,双通道融合CNN-SVM故障诊断模型在故障诊断准确率上明显优于1DCNN、2DCNN和双通道融合CNN故障诊断模型。