国内外原油开采中，有杆抽油机采油设备占据主导地位，但由于自身机械结构限制和周围复杂环境影响，故障率较高。基于示功图的抽油机故障自动诊断系统是预防、检测、解决生产过程中各种故障的有效措施，本文以此为研究对象，结合实际工程项目，针对故障诊断中的关键技术：示功图的反演与识别，进行了如下工作。第一，基于电参数和载荷之间的高维非线性映射关系，采用三层BP神经网络，以电参数做输入，载荷做输出，建立反演网络模型。利用实测电参数与载荷数据进行网络训练，实现n维到m维空间的非线性映射，获取反演示功图。第二，基于典型示功图的几何特征，提取低频区傅里叶描述子作为特征参数，再结合上、下冲程的载荷变化量，构成代表对应工况的12个综合特征参数。提出利用RBF神经网络，以12个特征参数做输入，13种工况类型做输出，建立识别网络模型。利用代表13种工况的特征参数数据进行网络训练，得到可以正确识别典型示功图的RBF神经网络。第三，针对BP神经网络收敛速度慢、易陷入局部极小值的不足，和RBF神经网络径向基函数数据中心不易确定的问题，设计粒子群算法优化上述两种神经网络模型。同时引入遗传算法中的变异思想和新的参数设置方法，改善标准粒子群早熟和后期收敛慢的缺陷。再利用改进的粒子群算法对BP神经网络的初始权值和阈值进行优化，建立PSO-BP网络模型，用于示功图的反演；对RBF神经网络的径向基函数数据中心的位置、扩展常数和隐含层到输出层的权值进行优化，建立PSO-RBF网络模型，用于示功图的识别。最后，基于Matlab仿真平台，完成了PSO-BP神经网络的示功图反演，和PSO-RBF神经网络的示功图识别的仿真验证工作。测试结果表明，PSO-BP反演的示功图与实测示功图吻合度达到99%以上，PSO-RBF对20组样本示功图和6组随机示功图的正确识别率分别达到100%和83%。本文基于神经网络的示功图反演和识别算法可靠性高、计算量适中，易于在嵌入式硬件平台上实现，这对研究油井的实时工况监测技术，及时准确排除故障，确保油井安全生产和提高油田经济效益具有重要的意义。