在深入研究支持向量机和基于解析模型故障诊断的基础上,论文提出一种复合的故障诊断方法,并将其应用于网络控制系统中。随着网络控制系统规模日渐增大,对安全性、可靠性要求的日益提高,建立可靠的故障诊断系统已经成为一种必要。但是,由于当前的研究水平有限,网络控制系统故障诊断仍然存在很多不足,主要表现为二个方面,其一为故障检测问题:由于网络控制系统是复杂控制系统和远程控制系统的综合体,受环境因素和非线性等问题的影响比传统控制系统更加严重,这为网络控制系统故障检测的研究提出了挑战。其二为故障辨识问题:网络控制系统故障辨识同传统系统的故障辨识一样,目前所用的方法是神经网络,但是神经网络存在很多不足甚至是原理上无法克服的缺陷,采用其它辨识方法或克服神经网络存在的缺点是国内外学者需要研究的问题。为了解决网络控制系统故障检测存在的问题,论文首先对支持向量机进行深入研究,针对支持向量机性能比较依赖参数选择而现有方法缺乏智能性的问题,提出基于粒子群算法的参数优化方法,对支持向量机参数进行设置。然后将支持向量机用于系统不确定项的辨识中,将其辨识结果作为补偿项加到状态观测器,从而抵消不确定因素对残差的影响,使残差只表示为故障的形式,从而提高检测精度。最后,针对支持向量机在离线辨识在线应用中支持向量个数过多的问题,对关联向量机进行探讨,并且在仿真验证中与支持向量机进行比较。针对网络控制系统故障辨识存在的问题,论文用支持向量机取代神经网络对故障进行在线辨识。首先,对求解二次优化问题的积极集方法进行深入研究,然后将其用于增量支持向量机的算法求解中,因此当新的数据加入时,无须将所有数据重新进行训练,而是以原来的训练模型为起点进行新的学习,克服了传统的支持向量机不适合在线应用的缺点。最后,将基于增量支持向量机的故障在线辨识用于网络控制系统中,并在MATLAB环境下进行仿真验证。仿真结果表明,在保证训练速度的前提下,充分考虑了新数据对支持向量机模型的影响,提高了故障的在线辨识精度。