对于不能得到准确系统方程的复杂系统,我们无法通过传统的故障诊断方法进行管理监控。但同时,系统运行过程中时刻产生大量反映系统运行机理和运行状态的数据,如何利用这些数据提高系统的安全性和可靠性已成为故障诊断领域中的研究热点。本文采用基于高斯过程回归模型的贝叶斯滤波方法进行故障诊断,通过数据驱动的方法建立滤波模型,解决了传统贝叶斯滤波方法对系统方程依赖性强的问题,并且通过迭代的方法改善了故障诊断的实时性,对于系统安全性、可靠性的提升具有极大的现实意义。本文的主要工作有:(1)整合了常用的故障诊断方法,修正和补充了现有分类方法。在原分类基础上增加了基于数据驱动的方法,将原来基于知识的方法中的神经网络方法和模糊推理方法归入基于数据驱动的诊断方法中。并第一次将高斯过程回归方法加入故障诊断方法分类中,将其归为基于数据驱动的方法一类中,完善了原有分类方法。(2)为解决传统贝叶斯滤波依赖系统方程的问题,用GP-UKF和GP-CKF方法进行故障检测,并比较两种方法的准确性和实时性。仿真结果表明,GP-UKF和GP-CKF方法利用离线数据进行故障检测,在不能得到准确系统方程的情况下也可以实现故障检测。另外,因为CKF自身的优点,与GP-UKF方法相比,用GP-CKF方法进行故障检测在实时性和准确性方面表现更好。(3)为了提升非线性系统故障检测的实时性,本文提出了新的算法:ISRGP-UKF和ISRGP-CKF算法。新算法使用迭代的方法进行滤波计算以提高故障检测的实时性,并利用重要性采样技术选取训练输入集的子集,也就是基向量,以保证故障检测的准确性。将新算法用于飞行器跟踪系统和空气温度实时传感器的故障检测进行验证,结果表明,新算法在保证故障检测准确性的同时提升了检测实时性。