在进行大数据处理和高性能计算时,大规模多处理机系统始终致力于确保高可靠性和容错性.然而,随着多处理机系统的规模不断增大,系统中出现故障的可能性随之增加.因此,量化系统的可靠性对于理论和实践都具有重要意义.本文包含五个章节.在第一章中,我们首先介绍了图论及组合网络理论中的基本概念和记号,接着介绍了基于测试和比较的系统级诊断模型以及概率诊断模型,最后给出了一些诊断度的概念及其特征刻画.其后两章中,我们主要专注于组合容错性和确定性故障诊断分析.第二章主要针对DQ立方体通过三个方面展开解析.首先,证明了它是一个基于阿贝尔群的混合积(Zm × Z2)× Z2n的Cayley图,也就是说,DQ(m,d,n)(?)Cay((Zm × Z2)× Z2n,S),从而是点可迁的.其次,主要讨论了 DQ立方体的连通度以及紧致超连通度.最后,分别确定了 DQ立方体在PMC模型和MM*模型下的条件诊断度.在第三章中,我们分别针对Cayley陪集图-(n,k)-星图以及Cayley图-星图展开讨论,主要研究了这两个图在PMC模型下和MM*模型下的h-额外条件诊断度以及在悲观诊断策略下的t/h-诊断度.接着,我们提出了一般正则网络G在PMC模型下的t/h-诊断算法,并建立了一般正则网络G的h-额外连通度与t/h-诊断度之间的关系.在第四章中,我们提出了一个概率诊断策略,并将该策略应用于基于超立方体的多处理机系统并对其有效性进行分析.该分析表明不管对于局部节点还是整个系统都具有非常高的正确诊断率.尽管我们是针对特定的常规网络(超立方体)进行讨论的,但该概率诊断策略对于大量无三角形的多处理机系统仍然是有效的.在第五章中,我们对本文做了总结,同时提出了一些有建设性并且有待解决的问题.