知识获取是专家系统的瓶颈,目前的知识获取大都通过机器学习来获得。本文将基于神经网络和粗糙集理论的机器学习方法应用于智能诊断知识获取,并进行了深入的研究。本文首先讨论了影响神经网络的泛化能力的因素,提出了一种新的结构自适应神经网络学习算法,在新方法中,采用了遗传算法对神经网络的结构参数(隐层节点数、训练精度、初始权值)进行优化,大大提高了神经网络的泛化能力和知识动态获取自适应能力;其次,构造集成神经网络,引入数据融合算法,实现了基于集成神经网络的融合诊断,有效地提高了知识获取的全面性、完善性及精度;然后,针对知识获取过程中所存在的不确定性、不完备性等问题,探讨了运用粗糙集理论的知识获取方法,通过缺损数据补齐、连续数据的离散、冲突消除、冗余信息约简、知识规则抽取等一系列的算法实现了智能诊断的知识规则获取;最后,将粗糙集理论与神经网络相结合,研究了粗糙集-神经网络的知识获取方法。运用粗糙集理论对神经网络的训练样本进行预处理,消除样本中可能出现的信息缺损,信息冗余以及冲突等问题,再用神经网络实现知识的动态获取,因而很大程度提高了网络知识获取的速度和质量。本文运用国际标准数据和仿真数据详细的验证了上述知识获取模型,并将所提出的算法运用到航空发动机智能诊断专家系统的知识获取中。算例和实验充分验证了本文知识获取模型的正确性和有效性。本文所研究的知识获取模型有效地突破智能诊断专家系统的瓶颈问题,为诊断专家系统进一步智能化、实用化奠定了坚实的基础。