抽油机井工作状况恶劣，在实际生产工作过程中，油井设备会出现各种各样的故障，影响到油井的正常生产，因此，有必要及时地对抽油机井作出故障判断。如何及时地作出正确的判断，一直是石油科技人员探讨的主要问题之一。针对这个问题，为提高故障判别准确性提出了用径向基函数神经网络(Radial Basis Function Neural Network，简称RBF网络)对抽油机井进行故障诊断。 本文主要围绕着以下三个方面的内容来开展基于RBF网络的抽油机井故障诊断的研究： (1)抽油井故障诊断系统的建立实地采集抽油井示功图，选用示功图的矩特征作为网络输入的特征向量，通过对示功图进行矩特征提取获得神经网络诊断用的征兆/故障样本集，使用这些征兆/故障样本训练RBF网络，以此建立基于RBF网络的抽油机井故障诊断模型。 (2)抽油井故障诊断系统的仿真分析隐层的径向基函数中心向量的求解算法及影响RBF网络泛化能力的分布函数spead，对比BP和RBF网络算法精度和速度，调用MATLAB神经网络工具箱软件包，对抽油井故障诊断系统进行仿真。 (3)抽油井故障诊断系统的验证通过大量的现场实测示功图对建立的RBF网络诊断模型进行验证，分析最后诊断结果，并且针对径向基函数网络的特点对影响诊断结果的因素进行了深入的分析和探讨。 通过上述三个方面的研究，建立的RBF网络对已知的五种典型故障类型能做到准确识别。其结果，对油田的实际生产有一定的指导意义。