本文针对工业过程中数据都含有噪声和故障诊断准确性、快速性达不到要求的问题，提出了一种基于提升小波的故障诊断方法。首先利用提升小波阈值去噪法对数据进行去噪预处理，之后用增量概率神经网络对数据进行故障诊断分类。为了证明该方法的有效性，将其应用于TE和青霉素发酵两个化工过程。结果表明，提升小波阈值去噪和增量概率神经网络相结合的故障诊断方法具有较好的故障诊断性能。针对去噪问题，采用提升小波阈值法对TE和青霉素发酵过程进行实验。小波分析是一种具有时频局域化的信号分析方法，非常适用于非平稳信号的处理，提升小波具有通用灵活的特点，而且还有高效的提升实现算法。在提升小波阈值去噪时，小波基的选择、分解尺度的确定、阈值函数和门限阈值的选择是关乎去噪效果的关键问题。论文中对这个四个问题进行了仿真实验分析，确定了比较合适的小波基和分解尺度，并重点研究了阈值函数和门限阈值的选择，研究对比了软阈值、硬阈值、双变量阈值和自适应阈值的优缺点。为了提高故障诊断的快速性，提出了一种基于提升小波的增量式学习方法，即提升小波增量概率神经网络。增量概率神经网络是对概率神经网络的改进，更适合于数据规模比较大的工业过程。论文中将增量概率神经网络与提升小波阈值去噪相结合，进行实验对比研究，并用VB和MATLAB软件对故障诊断系统进行设计。结果表明，对数据进行提升小波去噪，可以提高故障诊断的准确率，概率神经网络的增量式学习方式可以减少故障诊断的时间，提高故障诊断的快速性。理论和实验分析表明，本文提出的基于提升小波的故障诊断方法具有优于传统故障诊断方法的优势，是一种有效可行的故障诊断方法。