航天技术的发展对国家国防安全的提升有重要意义,航天运载工具主要通过液体火箭进行推进。液体火箭动力系统是其重要组成系统之一,它的高可靠性是航天发射任务顺利进行的重要保障,所以对液体火箭动力系统进行故障检测与诊断具有重要作用。本文对两种优化算法进行改进,分别与选取的神经网络和机器学习算法结合,开展液体火箭动力系统故障检测与诊断模型的研究,然后提出一种智能算法诊断管理系统,实现本文算法的运行与结果展示。主要工作如下:首先,在液体火箭动力系统故障检测方面,针对基本哈里斯鹰优化算法（Harris Hawk Optimization,HHO）存在收敛速度慢,容易陷入局部最优的缺点,本文在原始HHO算法中引入反向学习策略,然后将能量公式非线性化。使用七种测试函数比较了四种算法的性能,测试结果表明,改进后的哈里斯鹰优化算法（IHHO）提高了收敛速度。此外,将改进后的哈里斯鹰优化算法与概率神经网络（Probabilistic Neural Networks,PNN）结合,构建IHHO-PNN模型。通过混淆矩阵、受试者工作特征曲线、AUC值（Area Under Curve）、真阳率的比较,得出该模型的故障检测准确率提高,能够更好地适用于液体火箭动力系统有无故障的判断。其次,在液体火箭动力系统故障诊断方面,为了克服原始麻雀搜索算法（Sparrow Search Algorithm,SSA）的局限性,首先利用Logistic混沌映射初始化种群,同时将Levy飞行引入加入者位置更新方式中,最后在麻雀搜索后,对最优麻雀通过随机游走策略添加扰动。使用十种测试函数比较了四种算法的性能,测试结果表明,改进后的麻雀搜索算法（ISSA）能够降低原始算法进入局部最优的概率。此外,将改进后的麻雀搜索算法与支持向量机（Support Vector Machine,SVM）结合,构建ISSA-SVM模型。通过分类错误率的对比,说明该模型提高了分类精度,更有利于进行故障类型的分类。最后,为了便于液体火箭动力系统健康监测工程的应用,实现前两章算法的运行与结果展示,设计并构建了基于Web的设备智能诊断管理系统。该系统可以实现数据格式转换,算法的导入和运行,以及原始数据的记录绘图等功能。