支持向量机（SVM）是九十年代中期在统计学习理论（SLT）基础上发展而来的机器学习技术。统计学习理论着重研究小样本条件下的统计规律和学习方法，它为机器学习问题建立了一个很好的理论框架。支持向量机在小样本情况下，运用结构风险最小化原则，具有非常优秀的学习性能。支持向量机应用于故障诊断的优势在于它适合于小样本决策，其本质就是一个模式分类问题，其学习方法的本质在于能够在有限特征信息情况下，最大限度地发掘数据中隐含的分类知识。从推广性的角度来看，更适用于故障诊断这种实际的工程问题。本文首先阐述了支持向量机在故障诊断领域中的应用及研究现状。然后介绍了统计学习理论相关知识、支持向量机原理以及两种主要的支持向量机多类分类算法，即“一对余类”和“成对分类"。支持向量机的性能受其参数的影响很大，因此出现了很多优化SVM相关参数的算法。本文从遗传算法（GA）与粒子群优化算法（PSO）的基本理论出发，研究探讨其优化SVM参数的能力与优缺点。研究发现，遗传算法具有高效的全局搜索能力，但也有收敛速度慢的缺点；而粒子群算法具有快速收敛的特性，但亦容易陷入局部最优解。针对SVM在故障检测中容易陷入诊断精度不高，参数寻优、训练速度慢，容易陷入局部最优值以及泛化能力差的缺点，文中提出了建立基于遗传算法与粒子群优化算法对SVM参数进行寻优的算法。改进后的算法实现全局和局部搜索的平衡；比GA-SVM模型具有更高的诊断精度，在小样本、非线性情况下更具优势，解决了过学习与欠学习问题；同时，其快速收敛的能力使算法能够迅速收敛得出最优解，比GA-SVM模型的计算时间短；该算法亦具有良好的鲁棒性及泛化能力。最后，在实验模拟环境下，对小型城市给水管网模型进行故障诊断分析。通过实验我们可以看到新的诊断模型的优势，在实际生产实践中，基于支持向量机的故障诊断技术具有实际应用意义，为工业应用拓宽新的应用方向。