随着科学技术的飞速发展和市场竞争的日益激烈，工业生产表现出大型化、分布化、高速化、自动化和复杂化等特点。由于这些大型系统一般都是作为能源、石化、冶金以及其他国民经济支柱产业中的关键设备，一旦发生故障，轻则降低生产效率，重则设备停机、生产停顿，有时甚至产生机毁人亡的恶性事故，造成灾难性的后果。 因此，为了发挥设备更大的工作效率且安全高效地运行，就必须对关键设备部件进行状态监控与故障诊断。目前现场总线、网络和Internet技术为分布式应用提供了一个易实现的通讯主干。软件体系结构理论和组件技术已经为分布式软件系统提供了理论和实现基础。数据挖掘理论为处理来自于监测系统的海量数据提供一种新的解决方案。构建基于数据挖掘理论和Internet技术的远程监测和故障诊断系统已成为故障诊断发展的重要趋势。因此，本学位论文在国家“十五”科技攻关计划重点项目“基于网络的设备远程监测与故障诊断系统”(项目编号2001BA204B06)和国家自然科学基金重点项目“大型复杂机电系统早期故障智能预示的理论与技术”(项目编号50335030)的资助下，以Internet为支撑平台，以软件体系结构和数据挖掘为理论基础，围绕着设备监测和诊断系统的软件体系结构模型、特征识别方法和知识获取方法三个主题展开，采用理论研究、实验验证与原型实现相结合的研究路线，具体如下： 1)从工程应用的角度出发，简要阐述了本文的选题背景与研究意义。分别对基于Internet和数据挖掘的监测与诊断技术的国内外研究现状进行了较为全面地综述。 2)对目前设备监测和诊断系统开发领域存在的问题进行了总结，通过引入软件复用思想和体系结构理论，提出一种面向监测和诊断的软件体系结构(MODOSA)模型。针对基于Internet的远程监测与故障诊断系统(IRMFDS)的问题域，给出了IRMFDS的拓扑结构模型，进一步提出了MODOSA的体系结构风格、用例模型、领域模型、对象模型、行为模型、组件模型和部署模型。 3)通过对故障诊断领域信息特点的分析和诊断系统知识表达系统的总结，给出了旋转机械故障诊断的特征挖掘模型，针对故障特征的自动提取问题提出了采用数据挖掘中数据准备技术解决的方案。在特征值归约方面，提出了一种改进的多特征离散化算法；在特征归约方面，提出了一种基于遗传算法、粗糙集和信息熵理论的混合特征归约算法。 4)在总结传统数据挖掘过程模型的基础上，对比故障诊断专家系统的知识获取系统，提出了旋转机械故障诊断的知识挖掘模型，针对故障诊断知识的自动获取问题给出了基于数据挖掘技术的解决方案。通过对决策树的构造、修剪、规则的生成和评价几个方面进行深入研究，提出了一种基于遗传算法和粗糙集理论的决策树构造算法和一种规则综合评价指标，并给出了规则匹配问题的一个解决方法。 5)在前述MODOSA模型和数据挖掘理论研究的基础上，给出了两个专用数据挖掘工具RMFMiner和RMKMiner的设计和实现，初步解决了诊断特征的自动提取和诊断知识的自动获取问题，并采用转子故障模拟数据集和UCI机器学习数据库验证了两工具的有效性。 6)根据提出的MODOSA模型、特征挖掘模型和知识挖掘模型，结合RMFMiner和RMKMiner工具，采用Web构架设计了IRMFDS，并采用组件技术建立基于Web的原型系统VSN-NetMDS，并在实验室的测试环境中验证了系统的有效性。此原型为状态监测领域的开发者提供了一个范例。实践表明，MODOSA模型对于推进先进信息技术在本领域中的应用有着积极的意义。