近年来，随着计算机技术、传感器技术、信号处理技术以及人工智能等科学技术的迅速发展，CBM (Condition Based Maintenance)作为一种先进的设备维护理念，在复杂程度高和贵重设备（装备）维修领域引起了越来越大的重视，对其关键技术即故障诊断和预测的研究就变的非常必要。一种称为HMM(Hidden Markov Model)的模式识别技术和其拓展模型近年来在许多领域得到了广泛的应用。但是，由于HMM及其拓展模型的许多假设并不符合实际情况，从而影响了诊断和预测效果。本文从对HMM及其拓展模型约束条件的松弛研究入手，在AR-HMM(Auto-Regressive Hidden Markov Model)和HSMM(Hidden semi-Markov Model)基础上进行了新的研究，提出了基于AR-HSMM(Auto-Regressive Hidden semi-Markov Model)的故障诊断和预测模型。本文主要在以下几个方面进行了研究： 1、从在故障诊断中常用的HMM和HSMM的各自优缺点分析入手，综合以上两种模型的优点，提出了AR-HSMM，并给出了新的前向变量和后向变量算法以及参数重估公式，然后对AR-HSMM的初始化问题，即结构类型选择和隐藏状态数目，以及初始概率分布等问题，进行了研究和探讨。论文还给出了将AR-HSMM应用于故障诊断中需要使用的矢量量化方法和AR-HSMM在故障诊断中的应用流程。 2、针对目前HMM在设备剩余有效寿命预测研究文献非常有限的情况，在基于AR-HSMM诊断研究的基础上，本文提出了一个基于AR-HSMM的剩余寿命预测模型，即基于寿命的Markov模型，并给出了该模型的参数估计公式，以及使用该模型的计算流程。 本文对文中所提出的2种算法都进行了实例研究，针对基于AR-HSMM的模型的诊断问题，设计了四个实验进行比较，即模型隐藏状态数目不同情况下的识别率比较和AR-HSMM与HMM的识别率比较，针对本文改进的Markov模型，与普通Markov 模型的预测结果进行了比较，实验结果表明，文中所提出的AR-HSMM和基于AR-HSMM的改进的Markov模型预测方法是有效的。