船舶辅锅炉作为船舶重要的辅助设备之一,其安全稳定的运行对于船舶经济性和安全性具有重要的意义。由于辅锅炉系统组成设备众多、结构复杂、运行环境恶劣,样本获取难度大,故障特征参数多,现阶段对锅炉实施全面有效地故障检测与诊断具有一定难度。因此探索一种稳定、高效的适合辅锅炉故障诊断的方法对于保障海上生命财产安全具有重要意义。近年来基于神经网络的诊断方法在故障诊断领域异军突起,为辅锅炉故障诊断提供了一个全新思路。在分析辅锅炉系统组成及作用、工作过程、总结常见故障现象及分析故障原因的基础上,综合考虑辅锅炉故障诊断的实际要求与运行特点,提出将自组织特征映射（SOM）神经网络和误差反向传播（BP）神经网络组成混合神经网络的辅锅炉故障诊断方法。本文以Alfa Laval MISSIONTM型船用D型水管锅炉为研究对象,以DMS-VLCC大型油轮模拟器为实验平台,利用该平台模拟实验所需10种工况的工作过程并提取实验数据。使用IBM的SPSS Statistics软件对提取的数据进行预处理后用作后续诊断实验。建立基于混合神经网络的故障诊断模型,利用经过处理的样本数据对模型进行仿真实验,分析故障诊断结果,结果表明经过组合后的混合神经网络诊断模型取得了一定的效果,但其仍存在着网络初始连接权值和阈值不当易影响模型性能的局限性。针对混合神经网络模型的局限性,分别提出基于粒子群算法（PSO）优化混合神经网络的诊断方法和基于差分进化算法（DE）优化混合神经网络的诊断方法,借助优化算法的寻优能力为模型配置权阈值,旨在提高该模型的故障诊断的正确率与网络收敛效率,降低诊断误差。构建了相应的诊断模型并对算法参数进行改进,进行仿真实验。实验结果表明:针对本文研究的船舶辅锅炉系统的9种故障,采用混合神经网络的故障诊断方法是可行的,同时验证了两种优化模型有效性,它们均能够实现对船舶辅锅炉故障诊断,且相较于单一混合神经网络诊断准确率及收敛效率均有所提高。通过对3种诊断方法进行比较,结果表明应用差分进化算法优化后的模型诊断正确率更高、误差更低,适用于船舶辅锅炉故障监测和诊断,在一定程度上保证了船舶辅锅炉安全运行,具有一定的理论研究意义和工程应用价值。