探测器作为获取各种核信息的源头,是核辐射测量系统的重要部件,其工作在高温、高湿、高辐射的恶劣环境中,容易导致老化、工作性能下降甚至故障损坏现象的发生。而当前主要通过人工巡检的方式进行故障判别与设备维护,费时费力且容易出现误判情况,同时传统的核测量系统规模庞大,组建调试和维护繁杂,不够灵活方便。针对上述问题,本论文提出了一种基于PXIe（PCI Extensions for Instrumentation Express）的核探测器数据获取与故障诊断方法,利用PXIe数据采集卡高速性、体积小、使用灵活方便的优势,设计了基于PXIe-9848高速数据采集卡的核探测器数据获取处理系统,并利用机器学习中的极限学习机（Extreme Learning Machine,ELM）神经网络构建了核探测器故障诊断模型,将处理后的核信号信息进行特征提取,智能分类,达到了对核探测器智能故障诊断的目的。本论文构建的探测器数据获取处理系统由探测器、硬件部分、上位机软件组成。探测器选用闪烁体探测器,硬件部分由前端处理电路、PXIe-9848高速数据采集卡、PXIe-62950工业控制计算机组成。系统上位机软件利用Lab VIEW虚拟仪器技术进行开发,构建虚拟多道分析器,其能够对采集参数进行设置,可以对输入信号进行采集、滤波、寻峰等操作,实现了核能谱数据获取、存储及读取功能。故障诊断则是通过数据获取处理系统和时域统计分析方法对探测器不同工况下的信号特征信息进行提取,利用极限学习机神经网络构建了核探测器故障诊断模型。将不同工况的核脉冲信号和能谱信号的特征作为神经网络的输入参数,同时通过改变隐藏层激活函数、修改隐藏层神经元个数等方法不断优化神经网络,实现对核探测器的智能诊断。信号采集实验和故障诊断实验的结果表明,数据获取处理系统稳定可靠、数据获取及处理效果良好,故障诊断模型的诊断准确率及效率较高,不仅能实现对探测器故障类别的智能诊断,也能对不同故障的严重程度做出良好的区分判别。