液压系统以其功率质量比大等优点在工程领域应用广泛，在许多设备中起着核心控制或传动的作用。及时准确地进行液压系统故障诊断对提高设备生产效率、减少故障停机和降低故障损失起着举足轻重的作用。液压泵作为液压系统的动力源，它的工作条件最为恶劣，因此对液压泵的故障诊断又成为了保证液压系统正常运行的关键。本文在对液压泵故障诊断的各种方法进行了系统研究的基础上，分析出传统的故障诊断方法，即简易诊断方法和基于信号处理与建模处理的诊断方法，存在着很大缺陷；而智能诊断技术已成为了当前诊断技术发展的必然趋势。但是智能诊断技术的诊断准确率有待进一步提高，目前迅速发展的数据融合技术具有能充分利用各个数据源之间包含的冗余和互补信息的优点，可以提高系统决策的准确性和鲁棒性，为液压泵故障诊断确诊率的提高提供了一条有效途径。本文首先对数据融合的基本原理、基本概念进行了阐述，总结了数据融合的层次和模型结构形式，并对常用的融合算法进行了总结分类；分别对数据融合算法—神经网络方法和证据理论方法—进行了详细的阐述，同时对神经网络(BP网络)的结构设计进行了深入研究；然后对神经网络和证据理论方法优缺点进行了分析，在此基础上为了实现两种算法优势互补，提高诊断的准确率，提出了神经网络和证据理论集成的数据融合故障诊断法，并详细阐述了这种方法的诊断原理。为了验证神经网络和证据理论集成的数据融合诊断方法用于液压泵诊断的有效性，本文分析了柱塞泵常见故障机理，提出了液压泵的诊断域，建立了诊断的模型，并对诊断网络的结构进行了构造。最后将此方法应用于材料实验机液压伺服系统MCY14-B轴向柱塞泵故障诊断上，对该液压泵的脱靴故障进行了模拟诊断试验，试验结果表明此方法的诊断效果良好。