基于模型的诊断(Model-based diagnosis, MBD)作为一项灵活性高的推理技术,克服了传统专家诊断方法的缺点,极大地推动了人工智能向前发展。近年来,随着系统集成化、自动化程度日益提高,对系统的可靠性和可维护性需求也日益增加,基于模型诊断的应用也得到了广泛推广,并且向着智能化方向发展。目前,利用MBD可进行电路系统故障查找和排除、医学诊断系统研究、网络通讯系统故障诊断,大型汽车、轮船故障诊断等。早期的专家经验为传统故障诊断提供了基本方法,不足在于专家经验更新慢并且不易获得,一旦系统发生改变,专家经验就很难再次使用。而MBD则不依赖系统结构,所建立的模型与整个系统是独立的,可移植性好、可重复利用率高。系统建模是用合适的语言来表征系统结构,冲突识别是找出系统中同时工作会存在冲突的部件集,候选产生是从冲突部件集中找到所有可能的故障元件,诊断鉴别是通过增加测量点排除非故障部件,从而确定最终的故障部件。基于模型的故障诊断正是由以上四个过程组成的。要对系统建模,需要选择合适的方法,这样有利于所建立的模型能正确表征实际系统。目前,一阶逻辑语言描述法是系统建模使用率最高的方法。候选产生即产生所有极小碰集的过程,被证明为Np-完全问题,许多学者为优化计算而进行了不懈的研究。然而这些算法都有各自的不足之处,例如：由于剪枝可能丢失正确解,或者需要建立树或图等较复杂的数据结构。针对这些问题,文中提出了CHS-tree(Cardinality-based Hitting Set tree)方法,在该方法的求解过程中,每次选择当前集合簇中势最小的集合进行扩展,并借助于集合簇中元素出现的频率作为辅助判断,可以不断降低问题求解规模,通过递归的方法找到所有极小碰集。该方法适用于元件规模较大,各元素出现频率较高的数据。通过对最小势的选择,以及相关集合的化简,使得产生较少的中间结点,在某些情况下,其效率也高于当前效率最高的Boolean方法。诊断鉴别是MBD中最后一个关键步骤,其核心是通过在适当的位置增设测量点,排除非故障元件,挖掘出真正的故障元件集,进而进行有针对性的故障排查。本文深入研究了测量点的选择优化问题,通过逻辑推理与验证的方法,分析了候选诊断空间大小随新测量点的单调性变化关系,同时证明了若增加相关测量点,可导致诊断空间单调递减,这为实际进一步选择优化的测量点提供了基本理论依据。