由于冷水机组的系统的复杂性不断提高,以及对于机组运行信息观测的不完全,冷水机组的各类故障与其对应的症状表现往往呈现出较强的不确定性,因此使用概率与统计的方法可以很好地解决该类问题。本文针对螺杆式冷水机组进行了不同工况下的无故障与七种故障实验。根据实验数据,对于使用贝叶斯网络理论进行冷水机组的故障检测与诊断方法进行了研究。首先,在分析与总结了现有的研究成果基础上,并结合现有的实验条件,选取了5种独立故障与2种混合故障作为主要的研究对象,模拟了7种故障实验以获取研究所需要的数据基础。并对所研究的故障及相应症状进行了分析,通过进行适当的合理假设,使用诊断贝叶斯网络（DBN）搭建出故障检测与诊断模型。针对诊断贝叶斯网络故障检测和诊断同步进行导致无故障边界模糊的问题,提出了使用支持向量数据描述算法（SVDD）分离故障检测流程的方法,从而确定无故障情况的学习边界。并使用模拟退火算法（SA）确定模型超参数。使用实验所得数据对模型的有效性进行了验证,针对由于症状表现相似而无法进行有效分离的故障,提出了增加现场操作,并融合操作证据进行分离诊断的方法。针对2种热力与传感器并发的混合故障,以增加操作证据的方法为基础进一步优化模型结构,通过分析不同故障发生时冷水机组制冷量损失的变化情况,匹配各故障与新增证据之间的映射关系,用来进行混合故障的诊断。与直接使用无故障模型的残差进行故障诊断的方法进行了对比并针对模型的置信度给出了简要证明。实验结果表明所提出模型能够有效诊断故障,故障检测正确率达到93.6%,制冷剂充注量不足与TCO传感器偏差故障诊断成功率达到100%,对于冷凝器水流量下降诊断成功率达到77.8%,模型优化后蒸发器水流量下降与TEO传感器偏差6组样本全部成功分离,两种混合故障的诊断成功率分别达到75%与41.6%。