电力电子电路具有严重的非线性，其元件过载能力小，易损坏，因此实现其在线故障诊断成为人们研究的热点。本文探讨了不同的神经网络结构用于故障诊断的方法。以三相SPWM逆变电路为研究对象，运用MATLAB仿真软件建立故障仿真模型，通过仿真试验获得逆变电路发生开关器件电路断路时的故障数据，构造神经网络的学习样本，并以此训练神经网络。 利用BP神经网络的非线性映射特性，用各种故障波形的采样数据对神经网络进行训练，使神经网络存储故障波形和故障类型之间的映射关系，确定网络的结构和参数，仿真实验证明了基于三相SPWM逆变电源的在线神经网络故障诊断系统是可行的。 针对神经网络的样本数据增多，神经网络规模将随之增大，学习、训练和诊断速度下降的问题。本文将粗糙集与神经网络相结合，利用粗糙集对故障信息中样本的所有故障征兆进行数据处理，简化后的样本数据作为神经网络的训练样本，构成完整的粗糙集—神经网络系统，该方法优化了神经网络结构，提高了诊断速度。 针对BP网络收敛速度慢、容易陷入局部极小值、难以确定隐含层和隐节点的个数的缺点，提出了基于概率神经网络的故障诊断改进方法。该方法采用贝叶斯分类决策理论建立系统的数学模型，以高斯函数作为激励函数，具有非线性处理和抗干扰能力强等特点，可获得对三相SPWM逆变电源故障的有效识别和诊断。