人工智能是计算机科学的前沿研究领域，其核心问题是对人的智能的模拟。专家系统和神经网络是当前研究人工智能的两条重要途径，前人所作的大量研究已经表明，这两种方法均存在各自的功效与不足。本文以化工和石化行业中广泛使用的大型离心式压缩机的故障诊断问题作为智能研究和应用的对象，探讨和解决专家系统与神经网络方法中存在的一些重要理论问题，并在此基础上，以思维科学作为理论依据，将两者进行合理的综合，使其优势互补，建立更能体现人类智能特征的新一代智能系统模型。 文章首先回顾了人工智能理论和技术的发展与现状，指出了探讨人工智能研究新途经的重要性和紧迫性，同时表明人工智能是解决故障诊断问题的最有潜力和优势的一种方法。 知识获取和处理是专家系统研究中的两个关键性问题，并一直是建立有效的大型离心式压缩机故障诊断专家系统的两个主要技术难点。本文通过运用系统分级原理和方法对大型离心式压缩机振动故障从功能和结构上进行了全面分析，并系统总结了该种机械的常见故障机理、特征及识别方法，初步建立了结构相对灵活并包含一定数量规则的知识库。 为了克服基于浅知识的专家系统诊断能力弱和基于深知识的专家系统推理速度慢的缺陷，本文根据人类专家在故障诊断中同时使用这两种知识的特点，提出双层诊断方法，使专家系统包含这两种知识，并能充分发挥浅知识的快速、实用和深知识的可靠、准确的优势，从而大大提高了知识处理的效率。 由于大型离心式压缩机故障诊断知识体系是一个非常复杂的多层次网络结构，当前的一些推理算法往往需要通过多次的假设和证实过程才能逐层推理。本文推导了基于概率论的推理算法，在这个算法中充分考虑了领域知识的特点，从而不仅使推理规则的形式非常简炼，而且，与其它算法相比，推理计算的速度和精度均有所提高。 本文首次运用神经网络方法对大型离心式压缩机振动故障诊断问题进行了研究，在具体讨论并确定了网络结构、学习参数、初始权值等的基础上，对神经网络在知识处理中的记忆能力及多种联想能力作了全而考察，表明神