设备故障诊断是一门各学科交叉的新技术，近20多年来，得到了迅速发展，并产生了巨大的经济效益。信息融合是近年来兴起的一门学科，在许多领域得到了广泛的研究和应用，在设备故障诊断领域的应用尚处于起步阶段。设备故障诊断中可利用的信息很多，只有充分利用有用的信息来对设备的故障进行诊断才能提高故障诊断的精度和可靠性，因此故障诊断实质上是一个多信息融合的过程。针对设备故障诊断中存在的处理数据量大、故障类型复杂多变、领域知识难于准确获得、故障识别率低的现状，本文提出了一种神经网络和证据理论相结合的特征级信息融合的方法，并将其应用于机械设备的故障诊断。提高了故障诊断系统的灵活性、故障诊断的效率和准确性。 首先，本文论述了信息融合技术的特点、形式结构和具体的处理方法，并从信息论的角度论证了信息融合技术在故障诊断中的可行性和有效性；在此基础上，详细分析了以下几种特征级信息融合故障诊断方法： 1、基于神经网络的特征级信息融合。论述了神经网络的拓扑结构和学习方式：重点介绍了RBF神经网络的特点，提出了一种动态建立网络结构的在线训练算法。 2、基于D-S证据理论的特征级信息融合。详细介绍了证据理论的基本原理、合成规则、推理过程，建立了基于证据理论的信息融合故障诊断方法，并论述了诊断的具体实现。 3、并行神经元网络和证据理论相结合的特征级融合。提出了并行神经网络和D-S证据理论相结合的特征级信息融合故障诊断方法，详细介绍了该方法的原理和具体实施步骤。最后通过实例证明，该方法具有较高的诊断准确性和可靠性。