在目前采油方式中,有杆泵采油方式占有重要地位。在油田开采过程中,由于抽油泵等采油设备大多数在野外工作,地理位置复杂,环境恶劣,依靠人工检测困难,并且抽油泵经常发生故障,严重影响了石油的产量以及效率,因此及时准确了解采油系统的工作情况,开发抽油井智能诊断系统,这一直是油田开采领域的一个难题。目前各个国家对抽油井工况诊断是基于示功图分析的,由油田中有经验的采油技术人员对采集到的示功图进行分析,这种人工分析方法不但需要大量的人力和时间,而且油田生产效率受到影响。本文采用人工智能技术对基于示功图的有杆泵抽油井工况进行诊断方法研究,以实现有杆泵抽油井工况的自动诊断,该方法不仅避免了诊断结果中存在各种干扰因素的情况,而且提高了油田生产效率以及自动化水平。本文的主要研究工作如下:（1）示功图是分析抽油井工况的主要依据,论文在介绍示功图识别方法和启发式优化算法的国内外研究现状的基础上,提出基于CNN＿ICSO＿SVM模型工况诊断方法。因为卷积神经网络（Convolutional Neural Network,CNN）提取的特征更具有分类性,并且在某种程度上,使用分类器达到的分类效果优于softmax激活函数,而支持向量机（Support Vector Machine,SVM）作为分类器,在处理小样本识别以及非线性问题上显现出良好的效果。因此本文利用卷积神经网络提取示功图特征,支持向量机根据提取的特征进行诊断识别,改进的鸡群算法（Improved Chicken Swarm Optimization,ICSO）用于解决支持向量机参数难以确定的问题。（2）论述了有杆泵抽油井的结构和工作原理,由于示功图包含着大量抽油井的工作状态信息,因此详细讨论了示功图的定义、具体形成过程,同时对八种典型故障示功图的形成过程以及图像特征进行了描述。（3）搭建CNN＿ICSO＿SVM模型,该模型由卷积层、池化层、全连接层、激活函数层、与ICSO算法结合的SVM分类器等组成。该模型可分为两部分:CNN特征提取和SVM诊断识别。（4）针对基本鸡群算法（Chicken Swarm Optimization,CSO）存在易陷入局部最优解等问题,提出了ICSO,并进行了仿真实验进行验证。实验使用了六个测试函数,将ICSO算法优化性能与粒子群算法（Particle Swarm Optimization,PSO）和CSO算法进行了比较,仿真结果证明了所提ICSO算法有更好的优化效果。（5）最后进行了实验验证。根据上述方法确定CNN、SVM以及ICSO算法的参数,并对示功图样本进行测试,结果表明本文所提的基于CNN＿ICSO＿SVM模型工况诊断方法,不仅能够提取更加深层次特征,而且识别准确率达到了94.74%,测试性能优于其他模型工况诊断方法。