近些年来,对海洋资源的开发和利用成为各个国家关注的焦点。为了更好的利用海洋资源和开发海洋资源,自主无人水下航行器(Autonomous Underwater Vehicle,简称AUV)在该方面的优势逐步体现出来。由于AUV工作环境的问题,并且在工作过程中几乎不会有人的干预,因此极易出现各种各样的故障。任何一种故障的产生都有可能带来严重的损失,所以在AUV任务过程中,及时的诊断出故障,并采取相应的容错措施,从而保证AUV在执行任务过程中是安全的。本文主要针对AUV的传感器和推进系统进行故障诊断与容错。首先,分析了 AUV的整体系统组成,包括AUV的运动控制系统和传感器系统。根据研究对象AUV推进系统的组成和安装位置,建立了推进器和舵的故障模型,以及推力和推力矩阵。根据AUV所携带的传感器,及传感器易发生的故障模式,建立了传感器的故障模型。其次,针对AUV传感器的四种故障类型,研究了基于改进的灰色预测GM (1,1)模型的诊断算法,通过预测的数据与实际的传感器测得的数据作比较所得残差,从而判断传感器是否出现故障。针对推进系统的故障类型,研究了基于改进的Elman神经网络结构的故障诊断算法,首先AUV在投入使用前推进系统正常情况下的输入输出数据进行网络学习,在诊断过程中利用神经网络输出数据与实际推进器输出数据作比较产生残差,分析残差判断推进系统的故障位置。通过仿真试验验证了传感器的故障诊断和推进系统的故障诊断的可行性。最后,在诊断出传感器与推进系统的故障后,研究了 AUV的容错控制策略。对于传感器所产生的故障,采用AUV上未发生故障的同类传感器以及灰色预测所预测的数据进行融合,实现故障传感器的数据预测。对于推进系统所产生的故障,利用AUV推进系统的冗余功能,对未故障推进系统进行推力重分配,弥补了故障推进系统所丢失的推力与力矩,实现推进系统的容错控制。最终的仿真试验结果表明,本文所研究的推进系统与传感器的故障诊断方法,容错控制策略有效可行。