在复杂的工业生产(如轧钢过程)中,由于系统长时间高负荷持续运转及随时间变化的内外部条件等因素的影响,多个故障同时发生的情况越来越多,这些并发故障间往往存在耦合关系,这使得多故障的“故障-征兆”关系更加复杂多样;且由于各设备所处生产环境恶劣,单一传感器获得的故障特征往往是模糊的、不确定的,利用这些特征参数进行故障诊断,其诊断结果往往是不准确的。因此需要利用多源故障信息,实现对这类复杂工业过程全面而准确的故障诊断,从而保障系统装置运行的安全性和可靠性。鉴于多故障“故障-征兆”关系的复杂性,本文采用三级信息融合系统进行多故障诊断,重点研究独立多故障、耦合多故障以及在复杂情况下两种类型多故障同时发生的多故障诊断方法。主要研究工作概括如下:首先,应用BP(Back Propagation)神经网络获取特征层多故障诊断结果。针对BP神经网络对复杂数据训练收敛速度慢、易陷入局部极值的缺点,本文采用遗传算法对BP神经网络初始权值、阈值进行优化,并通过仿真分析验证了基于遗传算法优化后的BP神经网络的训练收敛速度更快,精度更高,更易得到全局最优解。其次,研究了基于自由DSmT(Dezert-Smarandache Theory)的决策层多故障诊断方法。相比于D-S(Dempster-Shafer)证据理论,DSmT不仅可以很好的表示和处理不确定信息,融合多个初步诊断结果;而且可以很好地表示和处理冲突信息;最主要的是其广义辨识框架中的元素不再要求是互相排斥的,可以用元素的交集表示耦合故障。通过仿真实验,验证了该方法可以根据决策规则准确判断纯耦合多故障的故障模式。然后,针对自由DSmT不能处理带约束融合问题,研究了基于混合DSmT的决策层多故障诊断方法。混合DSmT在自由DSmT的基础上加入先验约束,使模型更符合实际情况;同时广义基本概率赋值函数根据约束模型重新分配,使诊断结果的区分度更明显。通过仿真实验并与自由DSmT进行对比分析,验证了混合DSmT的优越性。最后,研究了基于分层DSmT的决策层多故障诊断方法。针对分层DSmT缺少具有实际意义的分类规则,提出了基于主元凝聚层证据聚类的分层方法。通过仿真分析,验证了基于分层DSmT的多故障诊断不仅可以减少一定的计算量,更可以将独立多故障、耦合多故障从辨识框架中分离出来,降低误报率。