本文研究了经验风险最小化原则和结构风险最小化原则、统计学习理论的理论框架和支持向量机的原理与方法。将模糊概念与支持向量机结合，构建了模糊支持向量机模型，对于模糊隶属度的选取，引入了基于损失的风险函数，提高故障诊断率。通过实验证明了模糊判决支持向量机对故障早期诊断，以及在处理误诊与漏诊代价的问题上的优势。 针对实际流程工业故障诊断面临的多类分类问题，讨论了多种支持向量机多类分类算法，包括直接求解法、一对余、一对一，决策导向无环图、纠错码编码、分级二叉决策树等。 提出了流程工业故障诊断的新方法——基于支持向量机的故障诊断方法，并应用于化工过程和冶金行业典型的流程工业。对TE(TennesseeEastmanProcess)过程进行仿真实验，验证了该诊断方法的良好性能，并与人工神经网络方法进行比较，显示了其解决小样本学习问题的优势。针对高炉炉况失常诊断的应用及实验，得到较好的结果，证明了基于模糊支持向量机算法的流程工业故障诊断方法在实际应用上的有效性和可行性。