在故障诊断领域，不确定性问题占多数，主要是由诊断对象的结构复杂性、检测手段及方法的局限性、知识的运用和精确程度等诸多因素造成的。特别是电机这种型号和种类齐全的机电设备，其构件之间及构件内部都存在很多错综复杂、关联耦合的相互关系，不确定因素和不确定信息充斥其间，其故障可能是多故障、关联故障等多种复杂形式。因此，解决不确定性问题成为故障诊断中的首要问题。常用的解决不确定性问题的方法包括贝叶斯方法、模糊集理论、证据理论等，经Agre G等多位专家的分析研究，基于贝叶斯理论的贝叶斯网络是目前解决不确定性问题的最有效的方法。 贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一，适用于不确定性和概率性的知识表达和推理，特别适用于有条件地依赖多种控制因素的决策。贝叶斯网络是一种基于网络结构的有向图解描述，具有多源信息一致表达与信息融合能力，能进行双向并行推理，并能综合先验信息和样本信息，使推理结果更为准确可信。因此，贝叶斯网络在故障诊断领域中的应用具有重要意义。 本文针对电机故障诊断技术中存在的固有的不确定性，从信息融合的一般化问题入手，在综合现有信息融合相关的研究结论的基础上，对相关的不确定性理论及其相互关系作了综合研究，详细分析了适合于信息融合领域的几种不确定性测度以及相关的不确定度。对电机故障诊断过程中存在的各种不确定性以及这些不确定性的解决办法和特点作了详细分析。原有的电机故障诊断方法基本上都是用单参数方法实现诊断，由于存在不确定性因素，故障诊断的准确性难以保证，而贝叶斯网络融合方法可大大提高电机故障诊断的准确性。 电机故障诊断中信息融合主要是决策融合，可以把诊断问题看成是一个多源不确定性信息条件下的决策问题。本文以感应电动机为应用研究对象，提出了用于解决不确定性问题的故障诊断结构模型和功能模型，并对模型的知识表达、建造方法进行了深入研究，提出了贝叶斯网络融合算法。为了获得更高准确率的故障诊断结果，针对故障诊断中传感器传输数据的时序性特点，采用在线学习的思想，对贝叶斯网络结构进行改进。以最大似然估计(Maximum Likelihood Estimation-MLE)方法进行参数学习。并通过图搜索算法，推理得出产生故障的原因节点，获得高效、准确的诊断结果。 在应用中，将故障诊断融合模型及融合算法应用在感应电动机故障诊断过程中。通过多个实验表明，在电动机运行工况下，故障诊断融合模型的诊断准确率优于传统的专家系统方法和学习前的贝叶斯网络方法，有效地解决了故障诊断中存在的问题，提高了诊断的准确率。从而验证了故障诊断融合模型及算法的有效性和具体的应用价值。