柴油机涡轮增压系统一直是故障多发系统，进而影响到整个柴油机工作。传统的故障诊断方法只有在故障发生时，才能维修，已不能满足高科技发展的今天对机械故障诊断的要求。随着人工智能的发展，人们逐渐将解决问题的思想转移到具有学习能力强﹑分类性能好的神经网络上，并且已取得一些成功。本文首先尝试利用有最佳逼近特性，且无局部极小问题存在的RBF神经网络用做故障诊断，但是RBF神经网络没能力来解释自己的推理过程和推理依据。不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。而模糊推理系统建立在“如果-则”的基础上，其推理过程容易被人理解，收敛速度快，训练样本少，故将推理系统中有代表性的T-S模糊推理系统与RBF神经网络结合，但是因结合而成的模糊神经系统产生庞大的规则，造成网络结构冗余，因而影响到网络的训练精度和训练时间。为了减少模糊规则数目，考虑先用聚类算法完成样本的聚类，在证明聚类产生的T-S模糊规则和RBF神经网络原理等价的基础上，构成了基于聚类的T-SRBF网络。在聚类算法选择上，先用减法聚类确定聚类数目，再用模糊C均值聚类确定网络的中心向量。采用该聚类算法T-SRBF神经网络能自动生成和调整隶属函数和模糊规则，有效的减少了模糊规则数目。通过分析涡轮增压系统的故障，提取影响故障发生的关键因素样本，利用RBF神经网络，T-SRBF神经网络和基于聚类的T-SRBF神经网络，进行仿真计算比较，得出基于聚类的T-SRBF分类结果最精确、训练时间最短。并用此神经网络作为专家系统的知识库和推理机，以java和matlab编程实现涡轮增压器的故障诊断专家系统，更好的实现了将理论成果应用于实际中去。