继电器作为电路系统中关键的控制器件,在工业、国防、民用家电等领域都有广泛应用。由于触点频繁动作,工作环境影响等因素,继电器难免会出现故障,严重的则会造成不可挽回的损失。所以对继电器的故障诊断研究具有重要的实际意义。目前对继电器的故障诊断常采用直接接触的方式,通过测量接触电阻、超程时间等特性参数,运用支持向量机、神经网络等方法来探究继电器的失效方式或损坏程度。但此种方式需将继电器从电路中拆除,产生电路破坏的问题。本文在分析国内外故障诊断技术研究基础上,针对传统拆卸继电器检测方式的不足,提出一种基于电磁信号的非接触式诊断方法。本文分别在信号采集系统、故障诊断算法、电磁信号小样本处理三方面展开研究,最终设计实现了非接触式继电器故障诊断系统。主要研究内容如下:（1）设计了非接触式继电器故障信号采集系统。针对继电器开关瞬间电磁信号采集问题,通过分析模型参数变化与性能的关系,研制出符合实际要求的专用天线。为了解决由于故障信号量过大导致数据不易缓存和提取的问题,通过DDR存储、以太网控制等模块的设计,实现了基于FPGA的高速数据传输。（2）运用集成学习算法实现继电器故障诊断。针对采集的原始信号复杂冗余、不易分析的问题,通过阈值检测、分割等方法完成数据预处理。采用随机森林、AdaBoost、GBDT典型算法,解决了继电器故障信号分类问题。（3）构建CGAN网络模型实现小样本故障诊断。针对继电器信号样本较少问题,通过短时傅里叶变换将一维信号转换成二维时频图,运用CGAN网络扩充样本数量,改善了小样本卷积网络训练发生过拟合对诊断性能造成的影响。实验结果表明,本文实现的系统能对继电器信号进行稳定有效的采集与诊断。数据未扩充前运用集成学习算法,最高准确率达到87.6%,通过CGAN网络实现数据增强之后,故障诊断的准确率提高到95.10%。