本文针对液体火箭按发动机故障诊断方法进行研究，通过学习利用数据挖掘技术，学习不同分类算法，利用云模型思想与贝叶斯分类器理论，提出了基于云模型与贝叶斯分类器的液体火箭发动机故障诊断方法，并对该方法的适用性和算法的诊断准确性进行了评估。
　　本文分别利用线性判别分析（LDA）、简单贪婪算法、基于互信息选择的特征选择方法对发动机原始特征空间进行降维，计算结果表明，降维后的新特征空间，故障向量可以采用最有利于分类的原始特征子集来表达故障模式，既可以减少故障模式的特征数目，又可以突出不同故障模式之间的差别，这对发动机故障诊断系统获得良好的诊断效果和提高诊断效率都是相当重要的。
　　在余弦分类法的基础上，针对目前已经通过试车数据验证的余弦分类法故障诊断方法改进，在对火箭发动机故障进行准确定位和分析故障原因的同时，通过计算表示发的动机故障的向量的模，根据发动机仿真数据建立的故障因子计算公式，计算得到火箭发动机的故障因子，可以相对表示发动机故障量的大小。在基础上设计完成了基于余弦分类算法的故障诊断系统软件，方便了火箭发动机试后数据的分析。
　　运用云模型理论和贝叶斯网络分类器理论建立了液体火箭发动机故障诊断模型。在利用云模型与贝叶斯网络进行故障诊断的过程中，在参数学习期间需将发动机性能参数数据进行离散化处理，相比于传统的未考虑结点定性概念存在的模糊性和随机性的参数学习算法，此方法利用概率形式对处于两种故障交界区域的性能参数数据进行表示，改进传统的非此即彼的硬划分分区，实现参数数据亦此亦彼的软划分，从而提高了网络结点参数的学习精度。对建立的云模型与贝叶斯分类器模型算法进行性能测试，测试结果显示，其能够有效提高参数学习精度，特别是处在概念模糊区域的数据，具有很高的诊断准确率。