现代化生产系统日趋复杂，通常具有非线性、强耦合、不确定性、高维数等特点，且经过长期的运作和损耗，系统不可避免地会发生故障。如何有效地检测并诊断故障、使系统尽快恢复正常工作状态，是学术界和工业界共同的研究热点。快速、准确的故障检测与诊断离不开高精度的系统模型。常用的传统建模方法可粗略分为机理建模、知识建模和数据驱动建模。机理模型能准确表达系统的内在联系，参数可解释性强，模型外延性好，但建模难度较大。知识建模适用于难以定量建模的系统，但模型移植性差。数据驱动模型不需要对象先验知识，但模型精度和泛化能力高度依赖于建模数据。对于现代复杂系统，仅仅依靠单一建模手段难以得到高质量模型，而混合建模策略是获得准确可靠模型的有效手段之一。本文结合数据模型和机理模型的特点，采用串联型混合建模策略，提出了基于混合模型的故障检测与诊断方法，在三容水箱实验系统和四旋翼飞行器控制系统中进行了应用研究。本文具体工作和研究成果总结如下：1.针对已知部分机理特性的系统，将机理模型与数据相结合，分别利用BP神经网络（适用于多样本）和T-S模糊模型（适用于小样本）对机理模型中的不确定参数进行辨识，建立串联型混合模型，并比较两种方法的建模精度。2.考虑到基于主成分分析(PCA)/多向主成分分析(MPCA)的故障检测方法对幅值较小的故障不甚敏感，因此提出了一种基于混合模型和PCA相结合的故障检测方法，对输出误差(混合模型输出与实际输出之差)做PCA和MPCA分析。分别与基于机理模型、纯数据驱动的PCA/MPCA两种故障检测方法相比较，本文方法具有更好的检测快速性。3.故障一般可分为执行器故障和传感器故障，分别对应于状态方程和输出方程；本文通过分析系统模型的不确定性，提出了一种基于混合模型的故障诊断方法，分析模型中的不确定性部分，并对该部分进行重构，从而达到故障诊断的目的。4.在三容水箱系统和四旋翼飞行器控制系统上充分验证了本文所提出的混合建模和基于混合模型的故障检测与诊断方法，应用结果证实了方法的可行性和优越性。