由于现代工业过程对系统安全性、可靠性需求的日益提高,最近三十年来,故障检测和隔离(FDI)算法及其在工业过程中的应用受到了人们的日益重视。而非线性系统故障诊断算法的鲁棒性则是一个极其关键的问题,本文主要针对非线性系统,进行了基于神经网络的鲁棒故障诊断方法研究。主要工作如下: 首先,综述了非线性系统故障诊断技术的研究背景与发展现状。其次,讨论了一类具有未知参数的非线性系统的故障诊断方法,通过对状态值和未知参数的估计,可实现故障检测。为了使故障诊断方法适用于更一般的非线性系统,讨论了一种基于神经网络辨识器的故障检测方法。针对参数时变的非线性系统,将神经网络离线学习和在线学习相结合,提高了故障检测系统的鲁棒性。为了进一步实现故障特性的辨识与跟踪,讨论了一种利用神经网络对非线性故障模式进行在线逼近的鲁棒故障诊断方法。通过在线估计器和非线性在线滤波器实现了对故障函数的估计,同时,对算法的鲁棒性、灵敏性和稳定性进行了详细的讨论。 最后,通过数字仿真验证了上述方法对非线性系统鲁棒故障诊断的有效性。