随着科学技术的进步,许多学科领域对高算力有着无限的渴望,比如深度学习、大气及洋流的模拟仿真、计算化学、空气动力学等等无不依赖多处理器计算机。随着多处理器计算机处理器数量的不断增加,其互连网络构架的收益已经远远高于设计新处理器的收益。具有复杂互连网络结构的多处理器计算机系统维持其可用性的关键环节是互连网络的系统级故障诊断。在系统级故障诊断的研究中,学者们发掘出了诸多诊断模型,但性能优良的诊断算法并不常见。对此,本文提出了两个新颖的故障诊断算法。超立方网络是一种应用极为广泛性质极为优良的具体网络拓扑结构,针对现有的超立方网络故障诊断算法复杂度高的问题,本文引入故障扇的概念,采用并行深度优先搜索策略设计算法,通过算法寻找超立方体网络中的故障扇,确定该网络的故障节点,以便替换或修复,为超立方网络系统的可靠性提供一个重要的新途径。本文所提出的算法的时间复杂度不超过O(N),远优于现有的复杂度大于平方次的算法。超立方网络仅是t-可诊断系统的一个特例,为了解决更一般的t-可诊断大规模网络的诊断问题,本文将t-可诊断系统的故障诊断问题转化为决策矩阵A的最小覆盖问题,并阐明了决策矩阵A的最小覆盖问题等价于0-1整数规划问题。然后,本文设计了一种改进的遗传算法来解决0-1整数规划问题。由此来获得t-可诊断系统的故障集。