传统的电动机故障诊断技术往往是基于电动机单种类型状态参数进行的，如振动参数或电气参数等，单种类型电动机状态参数监测范围往往有限，很难满足电动机综合故障诊断的需求。本文从振动参数和电气参数两种类型参数入手，研究基于两种类型参数融合的故障诊断方法，从而实现对电动机全面故障诊断的目标，提高电动机故障诊断的可靠性与准确性。　　本文首先从电动机结构入手，介绍电动机基本结构、工作原理、常见故障类型、故障诊断机理以及常用故障监测方法;在此基础上，深入研究电动机故障特征提取方法，包括:快速傅里叶变换(FFT)、Hilbert变换、频谱细化分析技术、自适应滤波技术、小波降噪技术、小波包分解以及基于人工神经网络的故障特征识别技术等。　　其次，搭建电动机故障模拟实验平台及数据采集系统，设计实验方案，根据实验方案模拟电动机常见电气类及机械类故障，故障类型包括单一故障和组合故障，之后，同时采集电机不同工况下的振动和电气数据，获取电动机运行状态参数。　　然后，利用电动机故障特征提取方法，研究电动机在不同故障下的振动及电气信号特征，所采用的故障特征提取方法包括:快速傅里叶变换(FFT)、Hilbert变换、自适应滤波技术等，信号故障特征提取结果与理论计算结果吻合，验证了模拟电机故障的可靠性及所设计数据处理软件的有效性;之后，以电动机轴承外圈故障为例，研究电动机变转速下故障特征提取方法，所采用的故障特征提取方法为频谱细化分析技术。研究结果表明，该数据处理方法可大幅提高信号频谱分辨率，在一定程度上提高了分析结果的准确性。　　最后，本文深入研究电动机多参数融合故障诊断方法。依次研究了数据融合的基本原理、结构形式、层次等。然后，根据本文实际数据融合需求，设计数据融合整体实施方案，依次利用小波降噪技术、小波包分解以及人工BP神经网络故障特征识别技术等方法融合电动机振动及电气参数，对电动机进行综合故障识别与故障诊断。结果表明，采用数据融合方法的电动机故障诊断技术使故障识别结果更为准确，减少了由于使用单一电动机状态参数进行故障诊断造成结果的不确定性，提高了电动机故障诊断结果的准确性。