随着电力电子技术的迅猛发展,电力电子设备越来越复杂,规模也越来越大,其发生故障的概率也越来越高。电力电子电路作为该设备结构中的重要部分,它的故障可能会导致整个系统的故障甚至是瘫痪,造成严重的损失。因此保证系统运行的可靠性与稳定性,及时地发现故障与预防故障的发生就显得尤为重要,也使得对电力电子电路进行故障诊断与预测方法的研究得到了越来越多的重视。本文针对故障诊断步骤中的故障特征提取与故障辨识,以及电路的故障预测方法进行了研究,包括以下内容：采用主成分分析方法对电力电子电路的故障特征进行提取,得到含有原始故障数据大部分信息的主成分,并将它们组合成为新的特征向量,既降低了数据维数也使特征得到了突显。然后研究了基于Fisher判别分析法的(Fisher Discriminant Analysis,FDA)故障辨识方法,利用它对故障特征进行识别,得到最后的故障诊断结果,还和RBF神经网络进行辨识的实验结果相比较。仿真实例验证了所提方法的有效性,诊断的准确率高。考虑到电力电子电路的非线性性质,以及容差、环境等因素的影响,特征数据间关系复杂。为了提高故障特征的辨识度,采用高阶累积量方法(High Order Cumulant, HOC)提取电路的故障特征,得到各样本对应的的峭度和偏度,并将它们组合成新的故障特征向量。再将处理得到的新的特征向量输入FDA故障辨识方法中进行识别,并与第二章诊断方法的准确率进行比较,仿真实例验证了所提方法的有效性并且具有较高的诊断准确率。为了预防电路故障的发生和及时地采取“预知”维修,对电力电子电路故障预测的方法进行了研究。首先使用主成分分析与HOC对电路各种状态下输出电压信号的特征数据进行提取,再通过FDA进行处理,将处理得到的数据构造为一个可以反映电路健康状态的故障指示参数。然后根据故障指示参数所显示出的退化趋势得到一个经验模型,接着研究使用粒子滤波方法进行故障预测和剩余有用寿命的估计。该方法实施简单,实例证明了所提方法的有效性。