电机发生故障，一方面会造成重大的财产损失，一方面会严重影响人们的日常生活和生产，因此对电机故障方法进行研究具有重大的经济意义和社会意义。近年来，随着科学技术的不断发展，信息融合作为一门新兴科学，得到了快速的发展和广泛的应用。信息融合技术能够协同利用多源信息，获得被观测对象更全面、更准确的信息，从而得到正确的决策和判断结果。本文主要研究了基于云模型 RBF神经网络和证据理论双层次信息融合的方法，分析其存在的问题，对其进行改进并通过仿真实验进行了验证。具体内容概括如下：　　基于RBF神经网络的特征层融合，考虑到 RBF神经网络隐层高斯径向基函数的参数较难确定，电机故障的多样性和复杂性，传感器获得信息的不确定性，以及高斯径向基函数与正态云的相似之处，构造了一种将云模型和RBF神经网络相结合的新模型。通过高维云变换确定 RBF隐含层神经元，进一步优化 RBF神经网络结构。将电机轴承故障数据经过预处理后输入到新的云模型 RBF神经网络，得到精确的诊断结果。　　将能量作为特征参数，在 matlab中训练传统的 RBF神经网络并进行测试，其诊断率不是很高。为此，本文将奇异值熵和样本熵相结合提取故障信号的特征参数。首先提取了能够全面反映电机故障的特征信息，然后结合 RBF神经网络，对电机的轴承故障进行了诊断。最后通过仿真实验证明，奇异值熵和样本熵相结合的特征提取方法，提高了电机故障诊断的准确率，减少了 RBF神经网络的学习步数，从而为电机故障诊断提供了有效方法。　　将属于决策层融合的 DSmT理论用于电机故障诊断，研究了 DSmT理论决策方法，通过算例对 DSmT理论性能做了进一步验证。　　将云模型 RBF神经网络和DSmT理论相结合的双层次信息融合方法应用于电机故障诊断，利用电机轴承故障数据进行仿真验证，实验结果表明该方法可以提高故障诊断的准确率和效率。