学习是一切智能系统最根本的特征。机器学习是人工智能最具智能特征、最前沿的研究领域之一。智能故障诊断的核心是有效地获取、传递、处理、再生和利用诊断信息，从而具有对给定环境下诊断对象进行准确的状态识别和状态预测的能力。但由于机器学习瓶颈问题的制约，目前，对于不确定性的、随机性强的以及知识信息冗余或不完备的诊断对象，仍然很难具有较高的诊断智能性。本文围绕智能故障诊断中机器学习这一关键问题，就诊断知识处理中特征知识的多元化表达、冗余特征信息的压缩和知识挖掘、小样本诊断信息下的模式分类和故障趋势预测等机器学习的重点问题进行了较为系统、深入的研究。论文首先从认识论的角度，对故障诊断的本质进行了阐释。用信息论和知识论的有关理论从认知的角度建立了一种基于信息熵的诊断过程信息-知识流描述方法。研究了知识论的发展现状，给出了诊断知识的4个公理化结论，阐明了诊断过程特征信号、领域知识和机器学习三者之间的密切关系，得出了问题可诊断性与认知能力和诊断信息的关系曲线。在此基础之上，提出了多征兆域综合特征知识体（M-K）的知识表达概念和体系结构，并简要综述了建立多征兆域综合特征知识体不同侧面征兆的知识自动获取方法。 针对诊断特征数据中的重复或相似事例样本和特征参量之间可能存在的相关性，提出并实现了一种有效的特征数据双向压缩预处理方法，从而在不损失数据隐含的特征知识的前提下，有效降低学习机器的学习负担。在进行样本参量的降维处理时，采用基于主元分析（PCA）的横向数据压缩方法，有效地去除了各特征参量之间的相关性。在压缩样本数量时，综述和比较了现有的各种聚类算法，基于竞争和自组织原理，对借鉴生物体的自然免疫系统中克隆选择（Clonal Selection）以及免疫网络自稳定等有关机理的常规免疫聚类压缩算法，作了重要改进，提出了基于主元核相似度的亲和力定义方法，增加了抗原数据归一化、近似样本直接去除等处理步骤，使算法具有更高的执行效率和更广的适应性。并以国际上通用的过程控制仿真对象“Tennessee Eastman”工厂的实际数据进行仿真实验，验证了所提方法的有效性。针对常规统计学习方法是基于训练样本趋于无穷大时的渐近理论，用其解决小样本故障诊断是一个不适定问题。论文阐明了在故障模式数据难以大量获取的情况下，研究具有较强推广能力的学习机，对智能故障诊断的重要意义。提出了采用支持向量机（SVM）这一最新机器学习方法解决有限样本情况下的故障分析问题。本文深入的研究了SVM所依赖的统计学理论基础，论述了经验风险最小化到结构风<WP=6>险最小化的统计学习变革历程，推导并设计了一个SVM学习机算法。论文研究了支持向量机用于故障诊断的关键问题，给出了支持向量机用于故障诊断的基本实现步骤。针对常规SVM算法是从2类分类问题推导出来的，在解决故障诊断这种典型的多类分类问题时存在的困难，本文提出并设计了一种体现故障优先级的基于SVM的二叉树多级分类（2PTMC）算法, 该方法有别于现有的几种基于SVM的多类分类方法，具有简单、直观，重复训练样本少的优点。以柴油机振动故障诊断为实际对象，设计了运用小波包进行振动信号特征正交分解，建立特征参量的故障特征抽取方法。并利用提出的2PTMC多类分类方法，成功实现了柴油机故障检测和故障原因判断的基于SVM的方法和应用。通过大量的实验，作者验证了SVM理论中有关参数的特性，给出了参数选择的指导性建议，对学习阶段的收敛性给出了一个具体的实验结果。在研究了SVM回归算法的基本原理的基础之上，提出并实现了基于SVM机器学习方法的故障趋势预测方法。并以“Tennessee Eastman”工厂的实际数据进行仿真，验证了基于SVM回归算法在故障趋势预测上的可行性。研究了在样本量有限情况下，以-不敏感损失函数的回归结果所具有的解的稀疏性，通过大量实验，研究了取值不同对估计结果的影响，验证了取值对支持向量数目的控制作用，得出了训练时间与样本量间的实验关系曲线。最后，针对复杂工业系统中广泛存在的安全性和可靠性问题，仅仅建立故障诊断系统是不能从根本消除事故隐患和避免故障发生的。论文在研究并借鉴自然免疫系统的有关机理和人工免疫系统的最新成果的基础之上，提出了通过构建免疫智能体（Immune Agent）在复杂工业智能维护系统中建立机器生理的免疫机制的新颖思路，以实现一种具有“生命特征”的机器主动防御行为。结合Jerne独特型免疫调节网络学说，构造了一种能对动态环境进行实时监控和异常预警的多免疫Agent 的形式化网络模型。最后给出了这种免疫机制的研究内容。