社会的迅速发展和生活质量的显著提高使空调系统(Heating,Ventilation and Air Conditioning,HVAC)在众多领域扮演着重要的角色。但空调系统中经常会发生各种类型的故障,尤其是渐进性的软故障不能够及时的发现,不仅会引起能耗的增加、设备使用寿命的减少,也会导致空气品质的降低。因而有必要在空调系统中融入各种故障检测和诊断策略使之能够对不同类型的故障都能很好的检测,并识别故障类型,从而采取相应的措施,提高系统运行效率,降低运行费用和能耗。本文采用了基于信号处理的主成分分析法对变风量空调系统中空调箱内相关软、硬故障进行了故障的检测,并对比分析了不同程度、不同类型、不同建模方式下的故障的检测效果。发现:故障检测效果不仅与数据集变量的选取有关,还与故障的程度以及故障对系统的影响有关。且主成分分析法不能够及时有效的检测出软故障的发生。由于主成分分析法的是线性化的方法,且模型固定,因而对于非线性、时变的空调系统而言,并不合适,有必要对此作出改进。因而分别提出了基于核方法的核主成分分析法和自适应的移动窗口主成分分析法对其缺陷做出改进,并验证了两种故障检测策略的有效性。结果表明核主成分分析法能够有效提高故障的检测效果,及时地检测出软故障的发生。而移动窗口主成分分析法虽然故障的检测效果不好,但是出现误报的概率较低,减少了空调系统监控过程中不必要的麻烦。主成分分析法及其改进方法都只能有效地检测出故障的发生,而不能识别故障的来源,无法为后续的维护提供有效的指导。因而本文利用遗传基因算法优化神经网络的方式对故障进行识别,提高了诊断的精度。并将上述的故障检测和诊断策略应用到Visual Studio软件中,对空调的运行状况进行监控。