目前故障诊断和故障预测的研究成果主要集中在线性领域，针对非线性系统还没有形成普遍适用的理论和方法。实际系统都是一定程度的非线性系统，为了保证系统的可靠性和安全性，对非线性系统进行故障诊断和故障预测研究具有重要意义。随着粒子滤波理论的快速发展，利用粒子滤波进行非线性系统的故障诊断和故障预测，已成为研究的热点。粒子滤波是一种基于贝叶斯滤波的非线性滤波方法，相比于传统的线性的卡尔曼滤波方法，粒子滤波能够很好地解决非线性非高斯的问题。本文基于粒子滤波理论，对非线性系统的故障诊断和故障预测进行了深入地研究。针对标准粒子滤波算法存在粒子退化和粒子多样性丧失等缺陷，本文提出一种采用无迹卡尔曼滤波和部分重采样算法的改进粒子滤波算法。运用无迹卡尔曼滤波，通过引入最新的观测值，使采样的粒子更符合真实的分布。为了提高粒子的多样性和减少计算量，采用了部分重采样算法。通过仿真表明，相比于标准粒子滤波算法，不论是对于非线性高斯系统还是非线性非高斯系统，本文改进的粒子滤波算法均有更高的估计精度。针对非线性系统故障诊断问题，本文介绍了似然函数值和残差平滑的故障检测方法。为了对故障进行隔离，本文提出采用多模型估计和似然函数值的方法。每一种故障模式设计一个粒子滤波去监控，通过比较每个粒子滤波的似然函数值的大小，达到故障隔离的目的。针对非线性系统故障预测问题，本文提出基于改进粒子滤波算法的故障预测方法。预测阶段对每个粒子作p步前向预测，并对最终的故障预测概率进行了加权处理，使故障预测更加合理。最后以DTS200三容水箱系统为对象，设置了突变故障和渐变故障，对本文提出的故障诊断和故障预测方法进行实例验证。结果表明，基于多模型和似然函数值的故障诊断方法能够准确、快速地对故障进行检测和隔离，基于改进粒子滤波的故障预测方法能够有效的对故障进行预报。基于粒子滤波的故障诊断和故障预测方法，很适用于一类非线性非高斯系统，提高了故障诊断和故障预测的准确率。