热力系统的状态监测与故障诊断对机组的安全、经济运行具有重要意义。其主要功能为根据传感器数据及系统知识确定机组运行状态，判断机组是否发生故障并分析引起故障的原因。由于热力系统结构复杂、非线性强、运行环境多变，故障及征兆具有较大的不确定性，难以建立精确适用的数学模型，影响了诊断系统的实际应用效果。随着电力信息化技术的不断发展，电厂多配置了数据采集系统，具有大量的系统运行历史数据。本文以数据驱动方法为基础，结合系统结构知识，形成了比较完善的故障诊断系统。对系统在数据的可靠性、系统的非线性和系统的复杂性等方面的问题进行了深入的研究，提出了可行的解决方案。 在数据的可靠性方面，研究了基于独立成分分析的数据去噪方法。对单个传感器和冗余传感器的情况分别进行了讨论。提出了基于独立成分分析的冗余传感器故障诊断系统。对多个传感器和两个传感器的冗余系统分别进行了研究。 为降低复杂系统建模的难度，结合热力系统运行特点，提出了多工况故障诊断框架。该框架以系统历史数据为基础，将系统的运行工况划分为多个子工况，针对每个子工况分别建立子模型。为此，提出了工况的稳态检测方法和工况划分方法。 提出了基于核主元分析的传感器故障诊断方法。核主元模型提取系统多个传感器之间的非线性相关性，克服了传统主元分析方法用在非线性系统所带来的问题。利用特征空间的距离与输入空间的距离之间的关系，将数据在主元空间的投影逆映射到输入空间，完成数据在输入空间的重构。重构方法使得在输入空间中计算预测误差成为可能，同时为模型的核函数的选择、核参数的选择和主元个数的选择提供了指导，充分克服了模型选择的盲目性。这种方法的本质是一种非线性的参数预测方法。提出了改进的序贯概率比检测方法。该方法适用于残差服从高斯分布或者近似高斯分布的情况。通过该方法进行残差分析，实现了参数的故障检测和故障征兆的识别。 针对系统故障和征兆的模糊性，提出了新的模糊故障诊断系统。在征兆的表达方面，采用广义隶属函数表达征兆的模糊性，并综合考虑了故障征兆的动态属性和静态属性。在故障识别方面，提出了加权概率神经网络。以某电厂125MW机组高加系统的故障诊断系统为例，分析了该系统在征兆识别、故障诊断方面的应用，并对系统的基本模块和实现方法进行了阐述。