随着电梯市场需求的增大，国家对电梯的安全与舒适度的要求也更加严苛，由于电梯本身是比较复杂的结构，容易在使用的过程中出现各种各样的问题，因此电梯运行状态监测和故障诊断就越来越受到关注。　　人工神经网络在故障诊断领域中的应用越来越广泛，并且以BP神经网络与RBF神经网络为主，由于BP有容易陷于局部极小的问题，而RBF以其结构简单、训练速度快，并且不存在局部极小的问题。因此本文将RBF神经网络与电梯故障诊断结合起来，对其方法进行研究。　　本文研究的就是应用RBF神经网络进行电梯的故障诊断。采用电梯故障数据分别来自于已有文献中的实测数据，第一组是引起电梯轿厢振动的6种故障数据，第二组是电梯急停故障数据。针对这两组数据，用Matlab进行算法的仿真测试。　　本文构建了基于RBF神经网络下的电梯故障诊断模型，通过诊断结果的均方误差与网络结构来对仿真结果进行分析；仿真实现了已有四种算法下电梯故障诊断，经过对仿真结果的分析得出如下结论：原始算法的网络结构对样本数据的依赖性大；K-Means-RBF算法可以合理的选择网络结构但是诊断结果的随机性大；OLS-RBF算法在保证诊断精度的条件下，网络结构较为复杂；Rough-K-Means-RBF算法结合粗糙集进行K-Means聚类，并将聚类作用在网络隐含层输出中，有效的降低了诊断结果的随机性；针对Rough-K-Means-RBF网络模型中的存在不足与相关参数的确定进行优化。不足之处是在选择隐含层神经元过程可能会出现影响算法进程的状况，此外 Rough-K-Means-RBF网络模型中多个参数都是根据经验预先设定的。针对这些问题，提出了解决不足，动态调整参数与网络结构优化算法，并进行的仿真测试，保证诊断误差的情况下动态的减小RBF网络模型的复杂度。　　本文提出了基于RBF神经网络的电梯故障诊断算法的优化方案，在对初始网络结构复杂的情况下，可以在保证诊断准确性的基础上动态的减小网络的复杂度，但是对初始网络简单且诊断误差高的网络还有待进一步研究。