信息技术的发展日新月异,越来越多的复杂装备亦朝着信息化发展,自行火炮作为典型的复杂装备而言,其自动化、集成化与复杂化程度也在日益增加,因此对自行火炮进行故障诊断研究就十分必要。传统针对自行火炮的故障诊断方法需要依赖大量的人力资源与专家知识,这无疑增加了进行故障诊断的时间复杂度。得益于机器学习的发展,以数据驱动为内核的故障诊断技术逐渐映入研究者眼帘,根据自行火炮状态数据建立合适的机器学习模型,进而可以方便的判断是否出现故障。使用基于机器学习的复杂装备故障诊断方法可以很大程度上减少人力、物力资源的消耗,提高诊断的效率。本文的主要研究内容如下:（1）复杂装备数据的分析与处理。研究机器学习模型的前提是对所使用的数据进行深层次的剖析与预处理,本文研究的对象是自行火炮火控系统,火控系统状态数据集是一个符合实际逻辑的正负样本极不均衡的数据集,即故障样本较少,正常样本较多。在数据预处理中,首先判断了每个特征的缺失比例,删除了具有大量缺失的六个属性,并在研究了不同填充法对数据方差的影响后对剩余缺失值采用均值填充法补齐,同时针对小样本数据采用基于SMOTE改进的过采样方法来使数据集达到稳定状态。（2）机器学习故障诊断模型的研究。首先从单一决策器的角度出发,根据数据样本的高维性,提出将主成分分析法（PCA）与决策树模型相结合来实现故障诊断的策略,借此建立了PCA-DT模型,实验表明该模型仅适用于粗略的故障诊断中,在不平衡数据集中表现较差;接着又从集成学习的角度出发,针对复杂装备数据极不平衡这一特点,提出基于故障比改进投票策略来优化随机森林模型,建立了PCA-RF’模型。研究结果表明PCA-RF’模型性能较PCA-DT模型而言更优;最后针对使用传统网格搜索法寻找最优超参数易错过全局最优解这一问题,提出将基于遗传算法优化的自动化机器学习框架TPOT应用至模型中,形成了性能更优的PCA-RF’-TPOT组合诊断模型。本文以数据的高维性与不平衡性为研究重点,结合单决策器与集成决策器分别展开研究。针对高维性使用PCA实现特征降维,使得模型运行时间成本降低;针对不平衡性则改进了随机森林算法的投票机制,实验结果证明使用集成学习方法的诊断模型性能优于单一决策器,最终的PCA-RF’-TPOT组合故障诊断模型精确率可以达到96.82%,对实现自行火炮火控系统故障诊断具有重要意义。