对航天器进行严格的测试是保证发射成功的重要步骤,在测试过程中及时发现故障、复现故障、排除故障是测试发射环节的关键。我国的长征系列运载火箭是一种具有国际先进水平的火箭,国内各航天靶场对该系列火箭的测试、故障诊断已积累了丰富的经验。人工智能技术在故障诊断领域的应用已相对成熟,将航天靶场积累的测试数据、故障诊断经验与人工智能技术进行结合,研究基于人工智能的运载火箭故障诊断技术和方法,对于靶场排故专家的技术素养提升和运载火箭故障诊断的效率和精度的优化有着重要的意义和实用价值。针对运载火箭的故障诊断,介绍了2种故障诊断方法-基于权值计算规则的带权故障树和改进核函数的SVM神经网络故障诊断方法。基于权值计算规则的带权故障树诊断方法的诊断步骤是:首先根据测试数据链路建立故障树,其次根据关键重要度建立权值计算规则并计算出各节点权重,从而直观反映故障原因对故障结果不同的影响度。再次将带权故障树转化为实际诊断推理时所需要的3个数据库表-条件表、规则表和结论表后构建基于带权故障树的故障诊断推理算法;同时通过对测试数据和故障树的定性和定量分析得出系统失效概率和概率重要度;改进核函数的SVM神经网络故障诊断方法的诊断步骤为:首先分析核函数的几何特性和测试数据的分布特性,其次乘上保角函数来减少冗余向量来改进核函数,然后对保角函数进行研究后建立基于改进核函数的SVM故障诊断算法。最后给出2种诊断算法各自的具体应用条件为后续的具体系统开发提供了理论基础。通过应用条件的选择实现基于故障树的故障诊断推理和基于SVM的智能故障诊断推理,以最终确定火箭故障部位和原因,给出诊断结论和改进建议,实现对运载火箭故障的专家级诊断。这样不仅能对靶场的专家们提供可靠的帮助和快捷的诊断手段还能使技术人员在靶场通常无实装的情况下快速的学习和掌握排故技能。本文介绍的基于权值计算规则的带权故障树、改进核函数的SVM神经网络故障诊断方法,为运载火箭故障诊断系统开发提供了一些帮助,采用某航天靶场提供的测试数据和故障数据对基于权值计算规则的带权故障树故障诊断方法、改进核函数的SVM神经网络故障诊断方法进行了验证,结果证明,该算法最终确定了运载火箭的故障部位和原因,达到了设计需求;提升了运载火箭故障诊断的精度和效率。