复杂系统是一种由大量交互成分组成,其内部关联复杂、不确定,系统的局部特性的叠加不能描述和解释整个系统特性的非线性系统。论文依托国家自然科学基金重点资助项目,以复杂系统为研究对象,对复杂系统状态监测中的多传感器信息融合进行了较为深入地研究,重点从信息融合的框架模型、数据预处理方法、特征提取方法、决策融合方法等方面探讨了复杂系统监测的信息融合方法,并将部分研究成果应用到GIS(GasInsulatedSwitchgearl)设备状态监测和旋转机械状态监测中。本文所做的主要工作为:　　 首先,从结构模型、功能模型和数学模型三方面研究了多源信息融合技术的框架模型。在此基础上,根据复杂系统监测的特殊需求,研究了系统的总体框架模型。阐明了系统的组成结构、结构间的关系与功能、实现该结构的数学问题。　　 第二,依据复杂系统监测的总体框架,研究了信息融合技术中的数据预处理与特征提取问题。在分析传统时频分析方法和降噪算法的基础上,提出了一种基于HHT(Hilbert-HuangTransformation)变换的临界IMF(IntrinsicModeFunction)过零区间阈值降噪算法,其滤除噪声的能力优于小波阈值降噪法和其他EMD(EmpiricalModeDecomposition)降噪法。同时,研究了两种基于HHT变换的特征提取方法:基于EMD分解的波形特征提取算法和基于Hilbert谱的图形特征提取方法。两种方法分别从时域和频域对信号的特征进行了全面的描述,为决策层融合提供了合适的特征向量。　　 第三,研究了DS证据理论和神经网络两种决策层融合方法:。针对DS证据理论的证据冲突、证据相关、焦元爆炸、基本可信度分配函数获取、证据决策等问题,提出了一种基于冲突因子的冲突证据处理方法。针对BP神经网络的学习速率与学习精度问题,研究了一种基于变速率学习法与共轭梯度法相结合的改进学习方法。使得BP网络的学习速度优于共轭梯度法,预测精度优于变速率学习法,存储需求优于牛顿法和拟牛顿法。　　 第四,研究了GIS设备的故障机理、种类和检测方法。实现了一种基于信息融合技术的GIS设备的状态监测系统。具体论述了基于GIS局放图谱特征提取方法和基于GIS局放波形特征提取方法的原理和实现过程。并将两种方法应用于同一局放数据,提取两组特征向量。经过BP网络预测后形成两组证据的基本可信度分配函数。依据改进后的证据决策理论对证据进行合成,得到最终的融合结果。该方法的诊断精度高于使用单一特征提取和决策方法的诊断精度。　　 最后,研究了旋转机械轴系故障的种类和特征,分析了传统振动检测方法的利弊,实现了一种基于信息融合的旋转机械状态监测方法。将基于EMD分解的信息熵特征提取算法和基于Hilbert谱的图形特征提取方法用于故障特征提取。故障特征向量经BP网络后得到证据的基本可信度分配函数,依据改进后的证据决策理论对证据进行合成,得到最终的融合结果。融合结果表明,基于多源信息融合的故障诊断精度高于单一信息诊断的精度。