新能源、节能减排等环境问题成为近些年的社会关注点,为顺应时代需求,电动船舶成为船舶领域的未来发展方向之一。其中,因动力电池在汽车领域的成熟应用,使动力电池在电动船舶的研究成为主流。动力电池系统作为电动船舶的核心部分,因其工作环境恶劣,结构复杂,是全船的薄弱环节,故障易发区。因此,针对船舶动力电池系统的故障诊断研究是保证其在船舶应用的关键技术支撑。本文以纯电动船舶——北京密云水库水质监测船的动力电池系统为研究对象。采用“系统→模块→部件”的层级式结构,分级展开了船舶动力电池系统的故障诊断研究。首先,对船舶动力电池系统的主要模块进行分析,并基于Matlab/Simulink仿真平台建立仿真模型,用于获取设备故障数据样本,作为后续研究的基础。然后,采用基于有向图模型的方法,以模块为基本单元搭建船舶动力电池系统的有向图模型,从而实现船舶动力电池系统模块级的故障定位,并开展仿真实验证明方案可行性。最后采用基于数据驱动的方法,建立故障诊断模型,实现船舶动力电池系统模块级别的故障诊断。具体研究内容如下:1)根据北京密云水库水质监测船动力电池系统的配置,分析锂离子电池组、电力电子变换器（DC-DC、DC-AC）、推进电机等设备的数学模型,并基于Matlab/Simulink仿真平台搭建仿真模型,为船舶动力电池系统的故障定位及故障诊断研究工作提供数据支撑。2)研究船舶动力电池系统“系统→模块”层级的故障定位方法,引入有向图模型理论。设计了故障传播有向图回溯+符号有向图相容判定的故障溯源方案,并通过建立的仿真模型得到的故障样本,验证了该方案的有效性,有效减少了非故障报警,将系统故障定位至模块层,为进一步模块故障识别提供了依据。3)研究船舶动力电池系统“模块→部件”层级的故障识别方法。基于数据驱动的理念,设计了基于多分类器融合的动力电池系统故障识别方法,进一步对故障模块进行故障识别。以动力电池系统的逆变器模块为例,设计了该方法的具体实施方案。针对逆变器的单管开路故障,通过仿真模型模拟得到故障数据。并构造样本集,采用深度神经网络与卷积神经网络的深度学习方法,构建了初级诊断层。采用ER推理规则的融合方法对初级诊断结果进行融合,获得终级诊断结果。测试集的诊断结果表明该方案避免了单分类器诊断结果不稳定的缺点,获得了更稳定、准确率更高的诊断结果。