化工生产过程是复杂的动态系统，该生产过程一般是在高温高压、低温真空、有毒或腐蚀性等极端条件下进行的，生产系统和设备一旦发生故障，将会造成经济损失，甚至造成人员伤亡和环境污染。利用故障诊断技术提高系统的可靠性和安全性，已经引起了企业和学术界的高度重视，并在该研究领域取得了丰富的研究成果。 首先，本文研究了国内外故障诊断技术的现状及发展趋势，并在此基础上，用神经网络建立了连续搅拌釜式反应器(CSTR)的故障模型，采用修正的Bayes分类算法对故障参数进行了判断，实现了故障的在线检测、分离和估计。仿真结果表明，该故障诊断方法能够对多重传感器故障进行快速准确的识别和诊断，使系统的控制器对传感器故障具有一定容错性。 其次，利用具有BP算法的前馈神经网络(MFNN)，针对反应器建立了过程数据与故障类型之间的对应关系，辨识出系统的正常运行状态与故障运行状态。为了提高辨识的准确度，利用小波技术改进MFNN的作用函数构成了小波神经网络(WNN)。对化学反应器中的一类典型反应过程进行了仿真实验，实验结果表明WNN的故障辨识比MFNN的故障类型辨识具有更高的准确率。 最后，针对BP算法容易陷入局部极小值、收敛速度慢及容易振荡等缺点，对WNN采用了基于梯度符号变化的局部学习率自适应算法和引入动量项的改进。对多变量非线性的田纳西-伊斯曼过程(Tennessee-EastmanProcess,TEP)进行了仿真实验，实验结果表明提高了故障分类的辨识精度。