石油钻井系统构成复杂,工作环境复杂多变且工况恶劣,钻井系统钻进过程实时状态监测与诊断是钻井工程的重要研究方向。钻进过程实时信息的获取、处理及传输技术是钻进过程实时状态监测与诊断的关键技术。本文围绕自动化钻井过程的信息获取和信息处理开展研究工作。自动化钻井是钻井技术未来重要的发展方向,在总结自动化钻井技术发展现状的基础上提出自动化钻井信息模型,认为自动化钻井系统应该包含地面和井下两个信息处理系统,地面信息处理系统是自动化钻井的核心,井下信息处理系统、井下随钻测量仪器以及井下工具组合构成的井下控制系统将起到越来越重要的作用。钻井过程实时状态监测与异常状态诊断是两个信息处理系统的核心内容之一,钻井系统及其工作环境的复杂性决定了钻井状态的判别不能只依靠单一的传感器信息,钻井过程反映状态的参数多,利用钻井过程地面及井下各种传感器信息的冗余性和互补性,提出采用多传感器信息融合原理对钻井过程进行状态监测与异常状态诊断,论证了基于多传感器信息融合方法改善钻井过程状态监测和诊断结果鲁棒性的可行性。在总结多传感器信息融合方法的基础上,结合钻井系统复杂多变的特点,提出采用不依赖于精确数学模型的神经网络和证据理论多传感器信息融合方法。多传感器信息融合方法在刻画系统状态、系统行为等方面具有比单一传感器信息更强的能力,但是当多传感器信息存在矛盾或融合模型不完善时,信息融合的结果可能异常,在钻进过程中可能得出错误的状态判别,本文针对此种情形提出了冲突证据处理的基本框架,采用修改证据组合规则的方法对冲突证据进行分配,以提高证据融合处理结果的合理性。钻井地面系统的信息获取系统技术尚不完善,提出建立基于无线数据传输的新型钻井地面数据采集监测系统,制订无线数据通讯协议,开发钻井地面数据采集系统。按照钻井专家知识,总结形成了钻井异常状态诊断判据,建立不同钻井过程状态测量参数的特征提取模型。结合钻井专家经验建立钻井状态空间,钻井状态空间包括钻具刺穿、井涌、井漏等九种钻井异常状态和正常状态共十种钻井状态。采用神经网络方法建立钻井过程状态的多传感器信息融合模型,实现钻井状态参数特征到钻井状态空间的映射,建立神经网络训练样本和教师样本,提取钻井过程实际异常状态下的数据并形成异常样本,神经网络模型经过训练后进行异常状态辨识,模型的诊断结果表明,神经网络具有较好的诊断能力。D-S证据理论是融合不确定性信息的有效方法,钻井系统中各传感器信息均存在不确定性,尝试采用D-S证据理论进行多传感器信息融合。证据理论采用基本信任指派对状态空间内的状态进行辨识,基本信任指派的获取是进行证据融合的前提,提出基于神经网络与D-S证据理论结合方法对钻井过程进行异常状态诊断的集成多传感器多层次融合诊断模型,将神经网络对异常状态辨识输出作为D-S证据理论融合输入,即把神经网络输出经归一化之后作为状态辨识的基本信任指派,运用D-S证据理论沿时间轴进行证据融合,产生决策输出。结果表明,集成多层次状态监测与异常状态诊断模型具有较好的诊断能力。多层次诊断模型不仅实现了基于神经网络的当前状态多传感器信息融合,还实现了基于D-S证据融合的当前状态与历史状态的证据融合,实现多层次多方位的综合融合过程。针对传统D-S证据理论对于冲突证据处理存在的缺陷,提出一种解决冲突证据融合的模型用于钻井过程的状态监测,实现在证据冲突的情况下不影响证据融合的结果,融合结果的合理性、正确性得到保障,提高集成多层次融合模型鲁棒性。