在当今世界石油生产中，有杆采油占据着主导地位。因为油田通常所处环境恶劣，工况复杂，油井设备易于损坏，严重影响了采油效率和经济效益；所以及时掌握油井工况，对实现采油系统自动监控和科学管理而言十分重要。目前虽然有很多诊断方法，但对于相似示功图识别率低，因此本文提出支持向量机、神经网络、油井综合工况参数相结合的有杆抽油系统诊断方法，利用其对小样本事件的高度识别能力提高有杆抽油系统的故障诊断率。以有杆抽油系统工况为研究对象，深入分析了有杆抽油系统的工作原理及示功图的形成原理，重点介绍了典型工况下示功图的图形特点；并提取了实测示功图的不变矩（ψi,i=1,....7）为图形几何特征，结合油井泵效η_v、上冲程实测载荷与理论载荷比值△F₁、下冲程实测载荷与理论载荷比值△F₂组成了代表井况的特征参数，建立了有杆抽油系统典型工况的特征参数样本库；在此基础之上，基于统计学习理论与支持向量机理论，提出了以支持向量机为分类器的有杆抽油系统工况诊断方法。通过构造支持向量机的有杆抽油系统诊断实验表明：输入样本的预处理方式，核函数的选择及参数组合（惩罚因子c与参数g）的寻优都会对最终结果造成影响。为了验证该方法的优越性，在相同油井工况下，将支持向量机所得结果与神经网络（BP神经网络及径向基神经网络）作对比分析，结果证明在小样本和相似井况情况中支持向量机的诊断能力更强，识别正确率更高。实验结果表明：综合特征（ψi, i=1,....7）,η_v,△F₁△F₂结合支持向量机的有杆抽油系统故障诊断方法，不仅可以较好解决相似示功图难以判断的问题，还具有较强的井况识别能力。