随着科学技术的不断发展,电机设备被广泛地应用于各行各业,因此,对于电机故障诊断技术也提出了更高地要求。在电机故障诊断领域中,很多学者利用小波分析、人工神经网络、专家系统等方法进行电机故障诊断,但由于电机结构复杂,各个部件之间的联系相当紧密,因此,电机故障诊断中往往存在着不确定性信息,如何能够正确并准确地处理这些不确定性信息,是电机故障诊断领域中需要不断完善并改进的。对于电机故障诊断中的不确定性信息,通过使用多源信息融合技术的D-S证据理论对采集到的电机故障特征信号进行分析、融合处理。D-S证据理论为不确定性信息的表达和合成提供了强有力的方法。然后通过使用贝叶斯网络对电机故障特征信号进行诊断,从而推理出电机的故障。贝叶斯网络是一个有向无环图,通过一个条件概率分布直观地表达各个变量之间的依赖关系。根据电机的工作原理及其故障结构特征,并结合贝叶斯网络和决策树的各自特点,使用了一种贝叶斯网络和决策树相结合的新方法,即决策树—贝叶斯网络模型来进行电机故障的诊断。本文分别阐述了决策树和贝叶斯网络的基本思想和相关算法,通过决策树—贝叶斯网络的转化算法来得到各个故障节点之间的条件概率分布,快速、准确地得出最终的电机故障诊断结果。有效地解决了电机故障诊断中的不确定性信息问题,从而可以获得更加准确、有效的诊断结果。实验结果表明了随着样本数量的不断增加,电机故障诊断的准确率也不断提高,达到预期目标。