定子绕组匝间短路故障是异步电机最常见的故障之一，该故障由作用在定子绕组上的综合应力共同作用产生，如热应力、电应力、机械应力和环境应力等。匝间短路故障产生的大电流和过热将导致更为严重的相间、匝间或对地故障，对绕组和铁芯将产生灾难性的损害。因此，快速而准确地诊断电机定子绕组匝间短路故障十分重要。本文主要目的是研究定子绕组匝间短路的诊断方法，主要内容如下：根据电机的电磁原理，从正常电机的模型出发，通过坐标变换，推导出含定子绕组匝间故障的异步电机模型，通过状态变量表示其动态方程并进行数值仿真。提出基于改进故障模型的匝间故障诊断方法，采用故障模型计算出电机电流，将其与实测电流相比较而得到电流计算误差，将该误差分解为两部分，一部分用于检测匝间故障，另一部分用于不同运行状态下修正电机模型的角速度参数。无论故障发生在哪相，该方法都能快速诊断早期故障。提出基于扩展Park变换和模糊神经网络的匝间故障诊断方法。电机定子匝间故障的严重程度，受到负载、供电电压平衡度的影响，这些因素之间呈现出一种模糊关系。模糊神经网络具有结构简单、收敛快速、易于实施的特性，能实现电机故障征兆与故障模式之间的非线性映射。定子绕组发生匝间故障时，其电流的Park矢量模将发生变化，用电机定子匝间故障的Park矢量模的两倍基频分量作为故障特征，与电机负载、电压不平衡度一起构建模糊神经网络模型，进行电机定子匝间故障的诊断。提出一种基于递归小波神经网络的异步电机定子绕组匝间故障诊断方法。定子匝间故障从开始发生到严重短路，是一个缓慢变化的过程，及早对匝间短路进行监测，有利于确定电机容错运行的时间，以便合理、经济地进行停机检修。该方法采用两个对角递归小波神经网络分别用于诊断匝间故障，一个用于估算故障严重度，另一个用于确定短路故障匝数。为了克服BP算法收敛慢、易陷入局部极小值的缺陷，通过LM学习算法提高神经网络的收敛速度。为诊断并确定匝间短路故障所在相，提出基于故障模型和BP神经网络的异步电机定子绕组匝间短路故障定位方法。以三相电流和电压的相位移作为故障特征，通过神经网络判断故障发生相，并采用遗传算法优化神经网络参数以提高其动态处理能力。本文提出的异步电机定子绕组匝间短路故障诊断方法均经过了仿真及试验验证，具有一定的工程实用价值。