无人机中各种传感器是测量飞机姿态信息的重要部件，其工作状态直接影响到飞机运行的安全。借助于故障诊断技术，可以实现对故障的早期发现，有利于避免恶性事故的发生，提高飞行器的运行安全可靠性。但是无人机传感器的故障诊断是一个典型的小样本学习问题，传感器发生故障具有一定的突然性，一般难以复现，因此可用的故障样本量往往有限，所以本论文对小样本的故障诊断系统进行了研究。针对小样本问题，研究了一种基于小波与多核支持向量机的传感器故障诊断系统。本文的主要工作如下：首先，对无人机速率陀螺常出现的故障，进行了详细的了解、分类，总结出了常见的故障类型。同时，对目前常用的故障诊断的方法进行了研究，得出传统故障诊断方法在解决有限样本时会出现过学习、局部最优解等缺陷。其次，分析信号的能量分布，利用小波包技术提取信号的能量特征。当传感器发生故障时，不同频段内信号的能量分布发生很大变化，采用小波包分解技术能有效地提取信号在不同频率段内的能量特征，以此训练支持向量机分类器，进行故障诊断并识别故障类型。再次，故障诊断系统的设计包括单核支持向量机和多核支持向量机。首先在支持向量机训练过程中，参数决定了最优分类面的位置，不合理的参数会造成诊断过程出现较大的误差，精度较低。本文采用交叉验证法对支持向量机中的参数进行优化，寻找最佳参数，得到合理的支持向量机模型。其次本文根据单核支持向量机对复杂样本数据的解释性不足的缺点提出了多核学习方法(MKL)，将多个单核线性组合代替单一的核。在多核函数的设计中，为了使多核函数能够适应实际样本数据，采用基于实数编码的遗传算法寻优线性组合的权重系数。最后，在Matlab/Simulink仿真环境中，对某型无人机速率陀螺的卡死、冲击、偏差、乘性4种故障进行故障诊断研究，以验证设计方案的合理性与正确性。仿真结果表明：本文设计基于小波包与多核支持向量机故障诊断系统能有效地提取出信号的能量特征并识别出故障，与单核支持向量机相比诊断精度提高了10%左右，体现了多核支持向量机的优越性。同时证明了支持向量机能够有效地解决小样本问题。