本文以电机故障诊断为研究对象,在广泛收集国内外对于感应电动机故障诊断技术发展与现状的基础上,论述了感应电动机故障诊断技术的特点和研究成果,给出了一种基于BP神经网络和D-S证据理论相结合的数据融合的电机故障诊断方法,并通过实验进行了验证。在具体的研究过程中,首先从电机的噪声和振动两个方面对电机故障进行机理分析,阐述了引起电机产生噪声和振动的原因,并分析了其故障特征。另外针对电机的其他常见故障进行故障机理分析,其中主要包括定子匝间短路、转子断条、轴承故障和偏心故障,得出特征频率处电机故障和正常状态下其特征幅值的变化,并根据此进行电机故障诊断。其次,详细介绍了D-S证据理论的基本概念和证据的融合推理方法,从提高故障诊断精度出发,提出了基于多测点的D-S证据理论推理的数据融合方法,并结合算例分析了D-S证据理论对证据累计的作用,能够有效的提高诊断结论的可信度,减小诊断的不确定性。从而证明了D-S证据理论的确是一种有效的数据融合故障诊断手段。最后在实际应用中发现D-S证据理论的一些问题,并简单总结了D-S证据理论的优缺点。最后,详细介绍了感应电动机实验检测系统,且通过该实验检测系统测量实验电机的噪声和振动信号,并对所得数据进行了相关处理和特征提取,接着利用BP神经网络对所测量数据进行局部诊断。针对基于多传感器数据融合电机故障诊断的特点,提出了将BP神经网络和D-S证据理论相结合进行电机故障综合诊断的思路,并且给出了综合诊断模型。最后利用D-S证据理论对局部诊断结果(网络输出)进行融合,得到了较为满意的结果,从而证明了BP神经网络和D-S证据理论相结合的电机故障综合诊断方法的实效性。