随着工业系统日益复杂化，基于数据驱动的故障诊断方法正成为当前研究的一个热点方向。区别于传统方法对精确数学模型的依赖，数据驱动式故障诊断通过分析和挖掘过程数据，采用一个反映系统输入和系统状态关系的“黑盒子”对目标系统进行描述，更适用于复杂非线性系统。而基于支持向量机(Support Vector Machines, SVM)的故障诊断方法则是数据驱动式故障诊断的一个重要组成部分。该方法采用结构风险最小化原则求解最佳分类超平面，克服了维数灾难和局部最小问题，且对故障样本的需求量较小。因此采用SVM进行故障诊断，具有较高的理论价值和优秀的工程应用前景。论文首先对SVM的故障诊断的三个共性问题展开研究，包括：（1）如何有效地将二分类的SVM分类器扩展为多分类器，使之适用于系统的故障隔离：决策导向无环图支持向量机(DAG-SVM)是目前较为先进的一种支持向量机多分类扩展策略，但其在决策时存在划分偏好问题。针对该问题，论文提出了一种基于结点优化的DAG-SVM决策结构选取方法，该方法能选取具有最小误判概率的多分类决策结构；更进一步，考虑到不同误判带来的损失存在差异，论文采用故障诊断中的误判损失作为最小化目标，提出误判损失最小化支持向量机。该方法在决策时，希望所选结构能够带来最小的误判损失，而非具备最小的误判概率，更贴切工程实际。两类方法运用至变压器故障诊断实验，得到了良好的效果。（2）在线故障诊断时，如何减少决策耗时，提高响应速度：论文提出了一种借鉴标签(Label)信息的在线诊断方法。该方法将诊断系统分为“离线学习”和“在线诊断”两部分，“离线学习”部分通过对标签信息的深入挖掘，得到样本的最佳特征子空间，然后在该特征子空间中实现“在线诊断”。由于特征子空间中包含的特征数一般要远小于原始数据的特征数，“在线诊断”所处理的样本维数较低。因此决策计算量得到减少，决策速度得到提高。（3）当用于训练SVM分类器的正、负训练样本在数量上不对称时，如何抑制分类超平面的偏移：论文提出一种自调整支持向量机。该方法首先采用AdaBoost算法对训练样本所含信息量进行评估，然后根据评估结果，为每个样本设置了对应的误判惩罚因子。同时，自调整支持向量机能确保正、负样本的总体误判损失始终相等。因此，所提方法能够很好的抑制分类超平面的偏移。在讨论了常规条件下，基于支持向量机故障诊断方法的一些改进后，论文同样尝试在故障样本不完备的条件下，对此类故障诊断方法进行改进和优化，包括：(4)在一类或多类样本缺失条件下，如何提高故障诊断的准确率：基于SVM的故障诊断方法对样本的完备度非常敏感。当一类或多类故障样本发生缺失时，SVM对故障区域的划分会出现很大偏差。论文采用支持向量数据描述(Support Vector Data Description, SVDD)对故障区域的划分进行改进。有效降低了分类器对样本完备度的敏感性，在样本不完备的情况下，有效提高了诊断的准确率。(5)在只有正常运行数据样本而没有故障样本的情况下，如何有效实现故障检测：论文提出一种柔性支持向量回归(Flexible Support Vector Regression, F-SVR)方法对系统的输入输出关系进行函数逼近，然后通过残差分析实现故障检测。相较传统的SVR方法，此方法能够自动地设置回归参数，并在保证学习能力的基础上，寻求较好的泛化能力。所提算法运用至高频电源的故障检测，效果良好。