故障诊断系统对保证核电站运行的安全性和经济性具有重要作用。目前，我国核电站主要采用传统的阈值报警方法，无法为操作人员提供故障发生的原因以及发展趋势等信息，所以针对核电站的故障诊断技术进行研究具有重大意义。由于核电站具有故障样本数少、维数大的特点，而支持向量机在解决基于小样本情况的分类问题方面表现出较好的性能和较强的推广能力。因此，本文针对核电站一回路和二回路主系统的典型故障，对基于多分类支持向量机的故障诊断技术和方法进行了以下几个方面的研究与探索，以期解决核电站故障诊断中的困难和相关问题。首先，在现有研究的基础上，对核电站的典型故障及其现象进行了分析，获取了故障样本。然后，对统计学理论和支持向量机理论进行了系统的学习，并通过对比现有的几种多分类方法，针对核电站典型故障的样本特点，提出了一种基于支持向量机的多分类算法，并证明了其用于核电站故障诊断的可行性。其次，通过对核函数的选择和核参数的优化等支持向量机关键问题的研究，利用所提出的多分类算法，构建了支持向量机多分类模型，将其应用于核电站的故障诊断中，实现了基于多分类支持向量机的故障诊断，并与神经网络分类结果进行了对比。最后，针对核电站发生故障时，对某参数变化进行预测的必要性，研究了采用信息粒化法的预测技术，并以蒸汽发生器U形管破裂故障时稳压器水位的变化趋势预测作为例子进行了预测研究。通过对核电站故障诊断系统的实验分析，验证了多分类支持向量机用于核电站故障诊断的可行性与有效性。