控制系统发展至今,规模逐渐变得大型化、复杂化,系统在长期运行过程中发生故障的几率也在日益增加,因此,系统运行过程中的安全性问题成为当下研究热点问题。为了提高系统运行的安全性,要在故障发生时能够及时的检测出故障并对故障特征进行分析、决策,防止进一步的损失。本文在传统的基于观测器故障诊断方法的基础上,结合HBF神经网络并对HBF神经网络学习算法进行研究并改进,验证了改进后的算法优化HBF神经网络在非线性系统跟踪上具有收敛速度快和精度高等优点。最后提出了基于HBF神经网络观测器的故障诊断方法并证明观测器的稳定性,通过仿真实验验证了该故障诊断方法能够快速、准确的进行故障检测。主要研究工作如下:首先,分析了故障诊断和神经网络相关理论并对HBF神经网络进行介绍。由于已有的文献中没有进行HBF神经网络性能全面分析的工作,所以本文中通过对局部误差和全局误差两个角度验证了HBF神经网络在非线性跟踪上具有收敛速度快,误差小的优势。其次,提出了两种HBF神经网络的学习算法。一是在传统的梯度下降方法的基础上改进了一种改进动量项梯度下降法,使得在算法运行初期收敛速度更快。二是对传统PSO算法的惯性权重进行研究,使用tanh函数来代替原来简单的比值关系,改进一种新的PSO算法,使得训练后的网络在非线性跟踪上精度得到改善通过仿真实验验证两种方法能够进一步的提高了神经网络对于非线性系统的逼近能力,大幅度减少了逼近误差,提高了训练速度。另外,还分析了生长裁剪算法。推导了在不同的概率密度分布下算法中神经元贡献的数学表达式,使用高斯混合概率模型使算法其能够适应多种输入样本概率密度分布,减少了计算量并提高了算法的实用性。最后,使用HBF神经网络和所提出的算法优化的HBF神经网络设计成观测器进行故障诊断。通过仿真验证了当故障发生时,此方法能够及时克服系统扰动,快速准确的检测出故障并跟上系统变化。