支持向量机和神经网络都是目前关于机器学习技术的研究热点。不同的是，前者是基于结构风险最小化原理，后者基于经验风险最小化原理。两者都非常适合故障诊断，但后者实现故障诊断必须有大量的故障样本，同时还有训练速度慢、结构确定难、容易陷入局部极小、泛化能力差等缺点，而前者不仅能解决小样本的问题，并且还有全局最优、泛化能力强等优点。针对它们的优缺点，本文从支持向量机理论与方法出发，结合径向基神经网络，提出了基于支持向量机的径向基网络的设备智能故障诊断方法，并通过实例验证了该方法的有效性。本文从支持向量机和径向基神经网络的基本理论的出发，研究了支持向量机和径向基神经网络的技术特点及其优缺点。研究表明，支持向量机是一种凸优化问题，其解具有全局最优的特点，同时具有很强的泛化能力；径向基网络具有最佳逼近和全局最优等优点，不足的地方就是网络结构、隐层结点数和中心确定较难，泛化能力差。支持向量机最初是从线性可分和两类的分类情况下提出的，并发展成用来解决非线性和多类模式识别问题的有效手段。本文中主要介绍了用于处理此类问题的“一类对余类”的支持向量机。在此基础上，提出了基于SVM的径向基网络智能故障技术，将它们用于设备的智能故障诊断中。本文主要提出基于支持向量机的特征变换与径向基网络的诊断方法、基于支持向量机的结构优化的径向基网络的诊断方法和基于支持向量机的特征变换与结构优化的径向基网络相结合的智能诊断方法。通过对齿轮的故障诊断实例进行对比分析，得出如下结论：(1)基于支持向量机特征变换的径向基网络诊断方法可以简化样本数据的维数，提高径向基网络的训练速度，并获得更准确的诊断结果：(2)基于支持向量机的结构优化径向基网络故障诊断方法可以简化网络结构，提高网络的训练速度。(3)基于支持向量机特征变换与结构优化径向基网络相结合的诊断方法不仅可以简化样本数据的维数，而且可以简化径向基网络的网络结构，进一步提高了网络的训练速度，获得更准确的诊断结果。