在推进信息化作战的当下,装甲车辆作为重要的信息节点对军队的战斗力有重要意义,而装甲车辆的观瞄系统,作为装甲车辆的主要信息获取手段其正常工作与否,会直接影响部队整体对于战场态势的感知进而影响作战能力。因此研发观瞄系统故障诊断系统,以提高装甲车辆观瞄系统的可靠性和稳定性,对于我军作战任务的完成和部队作战能力的提高具有很大的实际意义和价值。因此,本文提出了一种基于极限学习机的装甲车辆观瞄系统故障诊断系统的设计并进行了实现,主要的研究内容如下:首先,本文确定了基于神经网络的观瞄系统故障诊断系统的技术路线。相比传统技术路线,神经网络模型构建起来更加快速容易,而且能够避免主观推断对诊断准确性产生影响。其次,本文采用鲁棒主成分分析法对输入故障诊断模型之前的信号进行数据处理,经过该方法的处理可以降低数据维数提高模型训练效率以及诊断准确度,并且能够避免实际信号可能由于工作状况恶劣、传感器故障等情况出现的异常信号对诊断的干扰。再次,本文提出了结合基于等级学习的集群优化算法（Level-based Learning Swarm Optimization,LLSO）与多核极限学习机（Multiple Kernel Extreme Learning Machine,MKELM）的LLSO-MKELM故障诊断模型。为了解决多核极限学习机的大量参数优化问题,选择了基于等级学习的集群优化算法来对多核极限学习机的参数优化,完成了LLSO-MKELM故障诊断模型的构建,并使用MATLAB R2020b进行了仿真实验,该模型的性能优于使用其他几种算法优化的MKELM模型的性能。最后,完成了观瞄系统故障诊断系统的软件设计。设计了观瞄系统故障诊断系统的各个模块,采用QT 5.9编程软件、Microsoft Access 2019数据库以及MATLAB R2020b共同开发和实现了软件各个模块的功能。该软件使用简便、通俗易懂,通过实例证明能够实现装甲车辆观瞄系统的故障诊断。