在现代工业中，液压系统作为驱动、传动、控制，几乎应用于所有机械设备中。近年来，液压系统向着高压、高速、大功率、低噪声和高度集成化发展，同时不断完善比例控制、伺服控制、数字控制技术及实现机电液一体化。这些发展对如何保证液压系统工作可靠性，即液压系统监测和故障诊断方法提出了新的要求。 传统的液压故障诊断方法有主观诊断法和基于数学模型的诊断法。在详细分析液压系统故障特点的基础上，得出传统方法有许多难以克服的缺陷，基于人工智能的液压故障诊断技术已成为发展趋势。神经网络作为人工智能的一个分支，其解决非线性、容错性的能力，适于现代液压系统故障诊断。 液压系统故障诊断可以看作对输入模式的分类问题，本文重点分析了神经网络作为模式分类器时的算法，即Delta算法、BP算法、SOM算法、LVQ算法、RBF算法与ART算法。通过研究这些算法的结构、学习方法，定性地讨论了其用于液压系统故障诊断的优缺点和性能。 通过分析液压系统的特点，提出选择液压系统状态模式的基本原则及信号处理方法，要求状态模式能够准确反映液压系统状态，便于测量采集，又要为分类神经网络提供合适的输入模式。 为验证以上的分析结论，以一调压液压系统为诊断对象，模拟其中重要部件(调压阀)出现故障的情况，建立基于不同神经网络分类算法的故障诊断系统。在详细分析调压阀的工作原理及结构之后，得出常发生的故障及原因。为获得调压液压系统不同状态下的信息，从硬件、软件方面设计了一个计算机在线测量系统，采集调压阀(Y-D6B型直动式溢流阀)的入口出口动态压力和溢流量。通过比较分析得到能代表系统状态的模式，建立故障诊断的模型。按照训练样本集，构建了不同分类神经网络。通过对网络学习性能和诊断性能的比较分析，并经过网络参数的优化，得到最优的模式分类网络。从该网络运算的结果看，基于神经网络的诊断系统效果良好。