强流直线感应加速器LIA(linear induction accelerator)是庞大而复杂的系统，是大型爆轰实验不可缺少的测试手段，要求有很高的可靠性和稳定性。开展强流LIA故障识别和诊断，整机稳定性和可靠性进行预测评估的研究，对提高系统可靠性有着重要意义。对这方面的研究，国外正在积极进行，而国内还是空白。论文对强流LIA故障诊断和性能评估进行了尝试和研究，并取得了有应用价值的结果。 在研究方法上，论文从强流LIA电测脉冲信号处理入手，研究了小波分析方法对单次、非平稳的快脉冲信号在去噪声、突变点检测、时间间隔测量等方面的应用；针对强流LIA物理机理复杂，难于建模等特点，论文提出基于小波包分析与神经网络技术结合的故障诊断方法，初步建立了强流LIA的故障诊断、性能评估系统。 信号突变点检测和时间间隔测量是强流LIA测试信号处理的重要内容。论文在分析了信号奇异性指数基础上，给出了针对不同的加速器信号突变点检测适合的小波函数，实现了在噪声背景下信号突变点的精确定位和动作时间间隔自动测量。论文根据信号在小波变换下有用信号和噪声在不同分解尺度下有截然不同的表现，在利用M序列对基线噪声进行了白化检验的基础上，给出了确定小波分解层数的算法，得到加速器快脉冲瞬态信号在硬阈值量化和固定阈值规则下，既消除了噪声的影响，又保留了信号暂态特性，具有很好的去噪效果。 论文以小波包空间作为模式识别的特征空间，根据傅里叶变换频点极大值和小波包频带能量极值的频谱匹配关系，确定了选用的分解小波和小波包分解层数，有效实现了信号的特征提取。结果表明，由小波包分解最底层上抽取30个左右的小波包能量组成的特征向量足以表征强流LIA高维信号的特征，并实现了信号的数据压缩和降维。 在提取信号特征向量的基础上，建立了单个RBF(Radial Basis Function)神经网络对带束加速腔电压分析处理系统，采用能在线学习的最近邻算法对网络进行训练，并提出基于代价函数优化网络中心的方法。结果表明，该网络能可靠进行故障诊断，能准确给出测试波形与正常波形相似度的数据，从而可进行加速器参数的性能评判；为评估强流LIA的工作性能，论文还建立了“神龙一号”注入器出口束流预测系统，分析结果表明“神龙一号”注入器出口束流呈现出缓慢变化趋势，体现了加速器从调试、过渡、稳定的变化趋势，为加速器的精细维护提供了预测信息；针对强流LIA的复杂性，论文提出采用以神经网络为核心的分布式诊断系统的策略，并建立了束流多RBF神经网络和多束心位置规则判定相结合的协同诊断系统。该系统不仅可以进行快速的故障判断、故障定位，还可实现性能评估，具有较高的置信度和推广价值。论文的研究为最终建立完整的强流LIA故障智能诊断和性能评估系统打下了坚实的基础。