论文主要运用神经网络方法进行非线性系统故障检测和故障预报方面的研究。特别针对模型未知的非线性系统,研究了时间序列分析和神经网络相结合的故障预报方法。全文的主要内容如下:首先,论文讨论了一类不确定非线性系统的快速故障检测问题。提出一种利用神经网络构造的全阶未知输入观测器结构,将系统不确定性和故障分别作为系统的两种未知输入,并通过在故障观测神经网络权值的调整规律中引入死区函数,提高了故障观测对系统不确定性的鲁棒性。在定义神经网络结构差异度的基础上,提出了利用免疫算法选择网络个体的神经网络集成方法。通过保持网络间的结构差异,提高神经网络集成预测的泛化能力。在简化的T细胞介导免疫过程的基础上,利用RBF神经网络构造了一种免疫控制器结构。利用控制器的输出能够准确及时地报告系统故障的发生。其次,针对歼击机等复杂工程系统建模困难、工作情况多样、试验困难且代价高昂的特点,提出了一种改进K近邻密度估计方法,设计了一种完全既不需要系统数学模型也不需要故障训练数据和先验知识的实时故障预报器。在系统运行的同时实现学习和预报,克服了先验数据的获取困难。同时该预报器还具有速度快、误检率和漏检率可人为调整的特点;设计方法简单。接着论文针对模型未知非线性系统,利用神经网络和时间序列相结合的方法进行故障预报研究。将由系统的输入输出变量组成的非线性时间序列通过空间嵌入的方法转化为一个离散动态系统,通过对系统状态的观测实现时间序列的预测。利用一个线性AR模型拟合时间序列的线性部分,用神经网络拟合时间序列的非线性部分并补偿外界未知的扰动。从而实现故障的多步预报。针对重构得到的离散线性时变系统,提出了基于未知输入观测器的非线性时间序列预测方法。以实时拟合时间序列的线性AR模型作为时变系统的已知线性部分,将拟合误差作为时变系统的未知输入,实现了系统状态的多步预测。通过未知输入的预测值和状态的预测误差的变化可以方便地实现故障预报。提出了一种非线性系统的局部线性辨识方法并应用于模型完全未知的非线性系统。在局部的切空间上对系统进行线性建模和预测,同时利用在线学习的神经网络补偿局部线性模型的建模和预测误差。利用辨识得到的混合模型的预