随着陆地上不可再生资源的日益减少,海洋在人类生存发展中的地位愈加突出,海洋开发需要先进技术和装备。水下机器人是目前唯一能够在深海环境中工作的装备。随着海洋开发进程的加快,对水下机器人技术提出了更高和更迫切的要求。自主式水下机器人(Autonomous Underwater Vehicle, AUV)无人无缆自主完成水下探测与作业任务,安全性和可靠性是AUV研究和应用中的关键问题。状态监测与故障诊断是保证AUV安全性的基础和核心技术,AUV故障诊断理论的研究对提高其安全性具有重要的科学意义和实际应用价值。本文针对AUV故障诊断技术中的多故障并发诊断问题,主要从AUV推进器与传感器故障的隔离与定位、多传感器并发故障的检测以及多故障模式的动态分类三方面进行研究。针对AUV推进器与传感器出现单发或并发故障时的故障隔离与定位问题,提出一种定量定性诊断方法。该方法通过建立AUV系统的神经网络故障检测观测器模型,基于多源特征信息在模型输出端直接对推进器和传感器故障参数进行映射,根据故障参数的大小进行推进器和传感器故障的隔离；在故障隔离后,根据推进器或传感器故障时AUV控制量和状态量表现出不同变化趋势的特点,基于动态趋势分析理论,对AUV控制量和状态量的实时变化趋势进行在线提取、辨识和合并,得到各信号的实时趋势基元描述,通过实时趋势基元描述与已建立的专家故障知识库中AUV控制量和状态量趋势基元集合之间的匹配映射,进行故障定位。实验结果验证了该方法在推进器与传感器故障隔离与定位过程中的有效性。针对AUV多传感器并发故障的检测问题,本文提出一种小波分析和神经网络相结合的故障特征提取方法及模糊加权属性信息融合的故障检测方法。在故障特征提取研究方面,针对海洋环境中传感器故障信号和噪声干扰信号相互混叠的问题上,考虑到信号经小波分解后其噪声信号与故障信号在不同分辨率下的细节系数中具有不同传递特征的特点,提出将细节系数进行阈值去噪后重构融合的方法获得反映原信号整体局部细节变化信息的量作为传感器的一类故障特征值,称为细节残差；同时考虑到传感器故障时,传感器实际测量状态值与AUV理论状态值存在偏差的特点,本文将故障检测观测器对AUV理论状态值的估计值与传感器测量状态值之间的差值作为另一类故障特征值,称为观测残差。细节残差和观测残差从不同角度构成了对AUV传感器故障描述的多源故障特征信息。实验结果验证了本文提出的故障特征提取方法的有效性。在故障检测研究方面,针对多源故障特征信息到故障描述的一致性问题,考虑到故障原因与故障特征之间存在的冗余和矛盾,本文提出一种模糊加权属性信息融合的方法。该方法通过引入多源故障特征的属性信息,将属性信息进行模糊融合转换以获得多源故障特征信息对故障描述的加权值,对多源故障特征信息进行加权融合,得到判断传感器状态的故障值,根据故障值的大小进行传感器故障的检测。实验结果验证了本文提出的多传感器并发故障检测方法的有效性。在AUV的多故障模式分类方面,针对传统支持向量域描述算法只对一类样本进行训练,且在分类过程中由于未考虑样本数目的不均衡及样本分布疏密度的不同造成的误分率较高的问题,本文提出一种基于正负类样本建模的模糊加权支持向量域描述算法。该算法在建模过程中在正类样本中加入负类样本一起进行训练,同时为每个样本增加了局部疏密度和类别权值,使获得的超球面决策边界既能很好的包围目标样本点,也能很好的拒绝非目标样本点。对比实验表明,本文提出的改进算法较之传统分类算法有更高的分类精度。基于本文改进的支持向量域描述算法建立AUV的多故障模式动态分类模型,针对AUV多故障模式分类过程中故障模式特征空间的在线动态调整问题,提出一种基于距离判定进行选择性调整的方法,并针对分类过程中模糊样本点的类归属判定问题,在充分考虑分类球大小不同的基础上,对传统的分类规则进行改进,得到本文模糊样本点的判定策略,理论分析和仿真实验结果验证了本文得到的判定策略的合理性,最后针对AUV的多故障模式分类问题,提出一种基于等级层次分类的方法进行AUV多故障模式的分类,实验结果验证了本文方法的有效性。