电机自产生以来作为社会生产活动中最重要的动力装置被广泛地应用到各行各业中，特别是生产行业中关键部位的电机设备如果出现问题，将会对整个生产线的正常运行产生重要的影响，并造成巨大的经济损失。而电机本身又是一个极为复杂的综合电气系统，且许多电机设备通常都工作在极为恶劣的环境中，这使得造成电机发生故障的原因充满了不确定性。因此，通过研究电机故障诊断技术来解决这些不确定性问题，从而保障电机设备的正常运行是电机故障诊断领域所要解决的首要问题。信息融合中的贝叶斯网络方法以坚实的概率基础和较强的逻辑推理能力成为了目前解决电机故障诊断中各种不确定性问题地最有效的方法。而证据理论则可以在不同层次上对各种故障信息进行组合，增强证据间的相互支持，进而提高电机故障检测的准确度，成为了当前故障检测领域研究的一个新地热点。本文通过对两种方法的分析研究，并结合电机本身的故障特点，提出了一种贝叶斯网络—证据理论故障检测模型，用以提高电机故障诊断的准确度。通过对电机内部结构的各种不确定性问题进行分析，本文构建了一种基于信息融合技术的并行贝叶斯网络和证据理论相结合的故障检测方法。该方法将具体的电机故障特征集划分到多个故障子空间中，并利用不同的诊断贝叶斯网络，采用不同的故障特征参数分别进行局部诊断。为了进一步提高故障诊断的准确度，本课题将各贝叶斯网络的初步推理结果作为证据理论推理方法进行证据组合的独立证据体，并运用相应的证据组合法则在决策判断级进行最终的融合，最后根据一定的故障原因判断规则给出最终的电机故障原因判定结果。本课题构建的故障诊断方法可以有效的解决电机故障诊断中存在的问题，获得高效准确的诊断结果。通过测试分析验证了故障诊断融合模型及算法的有效性和具体的应用价值。