运载火箭作为目前发射卫星、空间实验室及太空探索的核心运载工具,它的高可靠工作是和平、有效开发利用太空资源的前提。控制系统是运载火箭的关键分系统之一,尽管其设计可靠性很高,但工程上往往由于人为、环境等因素影响导致故障发生,随着技术的不断积累和发展虽然出现了故障在线重构技术,但从历史上运载火箭发射失败案例统计结果来看,大部分都是不可重构的严重故障或灾难性故障,如果能在地面测试阶段发现故障或影响成败的故障隐患,就能保证飞行阶段的高可靠性。论文以某运载火箭典型控制系统的典型单机为研究对象,首先从测试性优化设计角度出发,为了利用更少的测试点或更小的测试代价实现更高的测试诊断效率,研究了测试优化选择技术,然后针对不同类型单机的特点研究了不同的故障诊断方法,为通过各种诊断方法的融合实现系统级故障诊断奠定了基础。论文的主要工作包括:研究了基于多信号模型的测试优化选择技术。在装备测试需求及测试性指标约束下,对测试性资源进行优化选择,利用最小的测试代价获得最优的测试性指标。针对该问题,结合粒子群算法、遗传算法的优点提出了改进二进制粒子群遗传算法,仿真分析得出该算法能以97.2%的概率收敛于最优解,并结合综合控制器的多信号模型进行测试优化,在不改变测试性指标的条件下,得到了测试代价最小的测试优化结果。研究了基于多信号模型的故障定位技术。针对测试可信条件下的故障定位问题,实现了已有的基于信息熵的定位方法、TEAMS-RT的故障诊断推理机并提出了基于测试一致性与故障先验概率的定位方法,仿真分析表明故障诊断推理机定位准确性与时效性更高,且适用于多故障定位;针对测试存在漏检、虚警条件下的故障定位问题,提出了基于后验概率最大的定位方法、基于测试一致性与故障先验概率的定位方法,仿真分析表明后者虽时效性较差但定位准确率更高。以典型电子类单机综合控制器为例,测试优化后运用基于测试一致性与故障先验概率的定位方法对其进行了单、双故障定位测试,实现了单故障100%、双故障86.16%的隔离率,并实现了分层诊断策略以提高诊断效率。研究了数据驱动的故障诊断技术。针对机电类单机往往难以建立准确模型的困境,实现了一种结合小波包、信息熵、神经网络理论的数据驱动的诊断算法,该算法首先对信号进行小波包分解与重构,提取小波包的熵特征构成故障特征向量,然后利用神经网络实现故障模式的分类。以激光惯组中激光陀螺的随机游走误差故障为例,进行了诊断测试,验证了算法的有效性。论文研究工作结合典型电子类单机综合控制器、典型机电类单机激光惯组进行了诊断测试,证明了诊断方法有效、可行。