随着网络技术、通信技术以及计算机技术的发展,网络家电逐渐成为家电未来的发展方向。目前,网络家电的功能多体现在远程通信和远程控制上,对其故障预测和健康管理即PHM(Prognostic and Health Management)技术的研究尚处于起步阶段。此外,家电出厂检测时往往是对单一功能逐项检测,对整机综合功能检测缺乏有效的手段。为解决上述问题,本文对家用电器状态监测若干关键技术进行研究。本文的主要工作及取得的成果如下：介绍了时频域信号处理与模式识别相关理论。关于时频域信号处理主要介绍了时域、频域信号处理理论,如常用的信号特征参数、谱分析技术、稳态信号FFT、GABOR变换等；关于模式识别理论主要介绍了类的概念、特征提取及选择、特征优化方法、相关函数匹配法等。详细介绍了基于通用自动测试系统平台和基于TMS320F2812DSP平台的多参数数据采集方式。文中对两种采集方式的用途、采集方法、数据精度等问题作了详细阐述及分析。其中,基于通用自动测试系统平台数据采集方式用于采集大量家电(如：空调、微波炉、洗衣机、电视机等)工作电流数据,建立了大量的原始数据样本库。基于DSP的数据采集方式,深入研究了软件同步采集中的高精度软件测频技术。通过实时的采集完成在线识别中数据获取的工作。重点研究了家电工作状态识别技术。文中选择微波炉为主要研究对象,以电压、电流等信号进行参数特征提取。文中深入研究了离线手工分类及样本选择、特征提取与选择、特征优化、类别修正及标准状态样本库建立、在线自动分期算法、相关匹配等。详细阐述了关键算法原理、实验及数据分析过程。对于模式识别算法在DSP中的移植做了基础工作,如FFT及相关算法的DSP实现。探讨了基于时间序列技术中ARMA的故障和剩余寿命预测方法。通过ARMA模型完成对家电工作状态序列的预测。本文结合模式识别和DSP技术研究了家用电器状态监测若干关键技术,提出了基于离线手工分类的特征库建立方法,实现了样本选择、特征选择以及特征优化,并通过聚类分析评估了手工分类的正确性和有效性。实验表明,文中提出的包含电流谐波的特征组合对家电运行状态的识别率达到97.67%。本文所做的工作尤其是家电模式识别方法研究可为从事家电智能检测、故障诊断、预测等方面的研究人员提供借鉴。此外,本文基于通用自动测试系统平台建立的各类家电工作电流原始数据样本库,可以为研究家电工作状态监测技术、家电优化控制的同行提供基础数据服务,具有很好的实用价值。