在工程实践环境中,绝大部分工业系统的本质以非线性采样数据系统的形式呈现。对比一般系统,这一类系统本身具有极高的自动化性能,但因现代工业系统规模日益增大,该类系统结构也更为复杂,其发生故障的可能性也更大。为提升该类系统的稳定性,国内外学者围绕相应故障检测技术进行了大量的研究工作,已取得部分成果。然而,由于非线性采样系统具有混杂性和内采样信息的未知性等特性,其故障检测难度依然较高。为此,本文将运用确定学习理论,对非线性采样数据系统的故障检测方法开展深入研究。论文的主要工作如下:针对一类非线性采样数据系统,首先将系统离散化后的欧拉近似建模误差、建模误差项以及故障动态项设定为未知的采样动态信息。基于确定学习理论,该系统局部神经元满足局部可持续激励(PE)条件,同时能实现神经网络权值的收敛,因此可通过径向基函数(RBF)神经网络对未知的采样动态逼近建模,进而建立并逐步更新故障数据库。当处理高维数据时,可仅将位于系统轨迹邻域的神经元激活,以此减轻计算负载。其次,在故障数据库的基础上构造一组监测器,以获取被监测系统中的未知采样动态信息,并通过故障数据库分析当前被监测系统的动态,进而生成残差规范来实现对系统的故障检测。最后,通过严格的分析来表征该方案的检测能力。结果表明,失配函数的性能对系统故障检测的效果有重要影响。为分析失配函数对残差的影响,本文提出失配区间和占空比两个概念。本文提供的故障检测方法可引入电力系统短路故障检测中。同样,先搭建电力系统发生短路故障时的系统动态模型,再通过常值RBF神经网络逼近学习短路故障动态信息,建立其故障数据库;随后,根据故障数据库实现电力系统在不同短路类型下的故障检测;最后,运用实际的非线性故障系统来进一步验证该检测方法的可行性和有效性。