在对防空导弹进行故障诊断过程中，为了能够获取较完整地描述故障模式的特征参数使故障诊断更为准确，往往会通过传感器尽可能多地采集故障特征参数。但是这些原始特征存在维数过高、冗余性和相关性等缺点，严重影响了故障诊断速度和正确率。由于主成分分析（PCA）和核主成分分析（KPCA）方法具有降低特征维数，消除特征相关性和冗余性等优点，因而，本文在防空导弹故障诊断专家系统项目中，采用PCA和KPCA特征提取方法用于防空导弹故障诊断的特征提取。　　本文首先研究PCA和KPCA的特征提取算法原理，以及GA-BPNN（遗传算法优化的BP神经网络）故障诊断技术。然后对PCA和KPCA特征提取算法进行仿真，用于从类区分度方面验证特征提取效果，并对其进行了对比；设计了采用PCA或KPCA优化的GA-BPNN故障诊断模型，用于从故障诊断方面验证导弹故障特征提取效果，并使用防空导弹某部件和液体火箭发动机的故障特征样本数据分别进行仿真实例分析。最后设计了防空导弹故障诊断专家系统的特征提取应用软件并对其进行了软件测试。　　采用导弹故障数据进行实验仿真，其结果表明PCA或KPCA方法所提取的特征使故障类别表现更高的区分度，KPCA特征压缩能力高于PCA；同时所提取的特征应用于GA-BPNN故障诊断过程中还提高了其学习速度和诊断正确率。本文设计的采用PCA或KPCA优化的GA-BPNN故障诊断方法具有一定的通用性，可运用于其他设备的故障诊断。