国内布网的新一代天气雷达系统工作年限均在十年以上,有些已近二十年,部分关键器件老化,故障概率呈上升趋势。当前雷达的维修、故障排查主要依靠雷达厂家及富有维修经验的专家完成,雷达的故障排查时效性难以得到保障。基于知识的故障诊断实际具有多种方法、算法,如神经网络、模糊逻辑、支持向量机、遗传算法等,但由于故障样本数较少造成很多方法难以在天气雷达故障诊断系统中应用。2017年成都信息工程大学研制出一种对雷达工作状态、性能指标进行监测的远程在线系统──天气雷达标准输出控制器,其能够对天气雷达各分系统关键技术参数、性能指标、适配参数等87项雷达状态参数进行实时监测,数据量充足,从而为本故障诊断技术研究提供了数据基础。本文基于江西省吉安市雷达站的天气雷达标准输出控制器的故障报警信息及监测参数采集,使用了逻辑回归、神经网络、支持向量机(SVM)、异常检测与人工合成少数类样本过采样(SMOTE)算法对气象雷达故障诊断技术进行探讨与研究,主要内容有:(1)针对气象雷达目前使用的故障树专家系统提出基于知识和有自学习能力的浅层网络分类模型对故障进行分类,研究了逻辑回归、神经网络与SVM分类算法的原理、特点与其在雷达故障诊断中的实际应用。(2)由于气象雷达业务过程中故障样本标签难以获得,标签的精准标注成本昂贵,不同故障类别之间数据不平衡的特点,研究了具有非监督学习能力的异常检测算法与人工合成少数类样本的过采样技术。(3)针对这三类方法进行融合,在气象雷达故障诊断的背景下,提出一种集成SMOTE少数类样本人工数据合成与异常检测的SVM半监督综合故障诊断方法,同时完成了本方法的实现与分析,通过对比实验,验证了所提出方法的高效性。结果表明,集成SMOTE与异常检测的SVM半监督综合故障诊断方法能够有效地提高在故障样本数据不平衡状态下的故障诊断准确率,但由于故障样本标签准确程度有限,而专家标注成本较为昂贵,需要大量时间与精力,因此本文提出的故障诊断综合方法应用效果不是非常明显。然而通过对比实验仍能验证本算法的优越性,具有较高指导意义并且把气象雷达故障诊断技术提高到一个新的水平。