有杆抽油系统是机械采油方式的主要设备。石油市场严重的供需矛盾迫使石油企业必须降低采油成本、提高产量。为了提高设备开机率和降低能耗，有杆抽油泵工况分类成为相关领域科研人员的研究热点。以人工智能为代表的新技术革命为这个课题研究提供了技术支持。本文的主要工作是针对泵功图研究有杆抽油泵智能工况分类问题。主要研究工作包括以下几个方面：　　 依据抽油泵结构和工作原理，从定向井多级混合杆抽油杆柱上选取微元体并对其作动力学分析，建立一个反映抽油杆柱动态变化的波动方程。对整个杆柱采用变步长采样，利用有限差分法求解偏微分方程，得到杆柱分界面处和均质段任意位置处各自的位移表达式。经差分计算和迭代计算获得抽油泵柱塞位移表达式和载荷表达式，完成了最终的数学建模。利用MATLAB将该数学模型程序化实现来获取泵功图，进而提取特征点和构造特征参数。　　 针对有杆抽油泵的泵功图特征数据样本集，提出了关联缩放思想的样本数据标准化处理算法。使用MATLAB神经网络工具箱分别建立BP网络模型和RBF网络模型，进行多种参数调整的仿真试验对比，实现对有杆抽油泵的工况分类。　　 建立包含泵功图特征参数与抽油系统的抽汲参数、井况数据、故障代码、改进建议的总数据库。依据典型工况的泵功图图谱，借助于领域知识与专家经验将计算所得的特征参数对照各典型工况进行逐一比较匹配，制定推理机和产生式规则存入规则库，最终构造出产生式规则系统，该系统可实现对有杆抽油泵的工况精确分类。　　 通过讨论标准支持向量机和非线性软间隔支持向量机的分类问题求解过程，总结了支持向量机的两个核心思想。利用LIBSVM和LIBSVM-MAT经过基于RBF核函数和K-折交叉验证的模型参数寻优，分别建立推广能力较强的支持向量机多分类器模型，进行有杆抽油泵工况的模式分类测试分析，并且与使用神经网络方法的分类结果做了对比分析。　　 通过讨论最小二乘支持向量机用于非线性多分类问题求解过程，提出基于群体智能理论的全局优化进化算法粒子群算法用于最小二乘支持向量机分类器模型参数选择。利用LS_SVMlab采用径向基核函数和最小输出编码算法建立了有杆抽油泵工况分类的最小二乘支持向量机分类器模型。通过与BP网络、RBF网络仿真试验结果对比发现，基于最小二乘支持向量机的多分类模型在解决有杆抽油泵工况分类问题中表现出优异的性能。　　 针对神经网络等传统的有监督模式识别方法用于有杆抽油泵系统进行工况分类存在的缺陷以及支持向量机在大规模训练样本或训练样本严重不平衡时的多分类问题求解中能效不足，提出了基于改进分类策略的超球支持向量机多分类算法。提出了赋予三种工作集选择方式的贯序最小优化算法用于支持网格搜索以便进行参数寻优和根据训练样本规模适时引入核缓存技术和上三角矩阵策略。开发了基于Java语言、功能完备的超球支持向量机软件包HSSVM-1.17，编写了使用指南。利用该软件包对抽油泵工况进行了多分类仿真试验，并与BP神经网络、支持向量机方法加以比较，仿真试验结果表明改进后的超球支持向量机算法理论严谨、参数寻优迅速、分类正确率高，适用于采油工程领域中大规模复杂的智能分类问题。