机器学习被广泛应用于污水处理厂的故障诊断当中,但是污水处理故障诊断的数据具有明显的分布不均衡特征,传统的机器学习方法对于不平衡数据分类存在很大的困难,容易引发污水处理过程中的运行故障从而导致出水水质不达标、运行费用增高和环境二次污染等严重问题,所以必须对污水处理厂运行状态进行准确监测,及时诊断出污水处理过程故障并予以处理。本文以污水处理为应用背景,针对污水处理过程的运行状态的数据不平衡的问题,以快速相关向量机算法和加权极限学习机算法为基础,分别提出了一种离线和在线的故障诊断模型,并将其应用于污水处理过程的故障诊断当中,仿真试验验证了文中所提算法是有效的。具体的工作有以下几点:首先,本文阐述了不平衡数据分类以及污水处理故障诊断的研究现状,并对污水生化处理的故障以及诊断方法进行了研究,分析了不平衡数据分类困难的原因,介绍了不平衡数据分类的典型方法和性能评价指标。然后,研究了快速相关向量机的原理及其分类模型。针对污水数据集不平衡性所带来的运行状态监测困难的问题,本文提出一种基于聚类的快速相关向量机的多数类样本压缩方法,结合虚拟少数类向上采样的少数类样本扩充方法,降低污水数据集的不平衡性,然后用处理后的数据集建立污水处理故障诊断模型,仿真实验表明,本文提出的方法与模型在保证总的分类准确率的前提下有效地提高了少数类样本的分类预测精度,对于污水处理厂的故障诊断具有实际意义。最后,为了满足污水处理在线故障诊断对于准确性与实时性要求,本文提出采用一种基于核函数的加权极限学习机的方法对污水处理过程进行在线故障诊断建模。该方法通过对不同数量的样本类进行加权恢复样本类间的平衡性,结合核函数将线性不可分的模式进行非线性映射到高维特征空间,增加其线性可分的程度,进一步提高分类的准确率,最后利用极限学习机学习过程中无需反复调整参数加快在线学习速度,仿真实验表明该模型在线测试精度高,泛化性能好,模型在线更新速度快,能够比较好地满足准确性和实时性要求,实现对污水处理过程的在线故障诊断。