本论文以复杂产品制造过程为研究对象，以TE过程和汽车引擎部件加工过程为实验数据来源，利用独立元分析、支持向量机与粒子群优化算法等，研究了复杂产品制造过程中，高维度小样本的多元过程和多阶段过程的故障诊断方法和实现技术。本文的研究将有助于企业在制造过程中快速地进行故障排除和设备维护，保障生产流程的顺畅和最终产品和服务的质量，有利于企业提升产品和服务的市场竞争力。本论文的主要研究内容包括：　　研究了基于FastICA的故障特征提取方法。研究针对高维度多元制造过程的特征提取方法，从具有较强关联性的过程测量变量中提取潜在的特征变量，这是高维度多元过程故障诊断方法中重要的预处理手段，有效的提升高维度多元制造过程故障诊断能力。同时，针对快速独立成分分析法(FastICA）中独立元个数需要预先确定的问题，采用基于负熵阀值的独立元自动选择标准来确定独立元个数；　　针对高维度小样本的多元过程，提出了利用特征提取结果作为输入，基于支持向量机(SVM）的故障诊断方法。利用FastICA人特征提取得到的降维结果，训练构建支持向量机故障分类模型；之所以提出粒子群优化算法（PSO)优选支持向量机参数，是因为支持向量机(SVM）自身及核函数的参数选择，对其分类能力有较大的影响；然后利用改进后的支持向量机分类器进行故障分类，得到最终故障识别结果，实验结果表明此方法具有一定的优越性，具有更高的故障诊断准确度；　　提出了基于模式识别和支持向量机的多阶段制造过程诊断方法研究。针对多阶段过程误差传递的复杂性和计算难度，重点研究了空间状态模型，结合模式匹配的故障识别思想，提出了基于SVM的数据驱动故障诊断模型，模型中用空间状态模型的模式向量代替产品质量测量变量作为分类器输入。最后分析了构建模型的性能，构建的模型能有效地对多阶段制造过程故障进行诊断。