液体火箭发动机研发制造的每个阶段都伴随着大量的地面试验,通过多种测试检验来排除实际工程中的各种困难。地面试验的系统规模十分庞大,试验装置和辅助设备具有十分复杂的结构,拥有众多的监测参数并要求极高的试验精度,需要具备迅速处理大数据的能力,并且由于推进系统所用到的燃料和填充剂的特殊性使得试验具有较大的危险性。试验中所用到的材料和装置都十分昂贵,试验失败将对国家造成巨额的经济损失。为了克服试验的不稳定性和提高试车台的可靠性,国内外科学家、工程师和学者都纷纷开展健康管理技术的研究。本文以某型号液体火箭发动机地面试车台为研究对象,针对健康管理及评估中的故障检测、故障诊断和健康评估问题开展研究。根据试车台各种故障模式的不同特点,研究了相应的实时检测及故障诊断算法,并且建立了健康评估系统,解决了试验台健康管理中的几个关键技术问题。针对液体火箭发动机试车台故障检测问题,提出了一种基于小波KPCA算法的故障在线检测方法,克服了传统方法在解决非线性过程时忽略参数相关性的弊端。通过小波核对测量数据进行高维映射,将原本非线性问题转化为高维空间的线性问题,再利用KPCA检测方法实现了试车台故障检测问题,为解决试车台故障检测问题提供了一个新的思路。仿真结果表明,小波KPCA算法在执行效率和检测速度上均优于原始KPCA算法,非常适用于试车台的非线性故障检测。针对液体火箭发动机试车台故障诊断问题,提出了粗糙相关向量机故障诊断方法。研究了基于粗糙集的属性约简方法,通过对试车台原始知识系统进行了特征提取,大大的约简了系统的决策表,提高了试车台故障诊断识别效率。研究了基于聚类算法的层次相关向量多类分类器设计方法,利用自适应粒子群算法优化多分类器中各个两分类器的模型参数,并利用标准数据对小生境粒子群算法的优化性能进行了验证。仿真结果表明,粗糙集基于属性约简的方法有效地提取了故障的类型特征,粗糙相关向量机在计算效率和故障识别度上均优于传统的分类方法,模型优化后相关向量机多分类器具有更好的整体性能,有效地解决了系统故障诊断的小样本问题。针对液体火箭发动机试车台健康评估的要求,研究了基于模糊理论和相关向量机的健康评估及其预测方法。该方法通过对发动机试车台单一参数,燃料和氧化剂子系统,以及整个试车台系统的健康状况进行评估。研究了一种基于相关向量机的多变量数据融合技术,并结合模糊评价算法来改进健康度方法,将健康度概念应用于试验台系统的定量健康评价方法中。根据实验,该方法综合了相关向量机在小样本和模糊理论的良好泛化性能优势,实现了健康预测和健康度融合。最后,设计并实现了试验台健康管理系统,在PC机上模拟现场环境,利用仿真数据和试验台实际数据验证了所研究的故障检测,故障诊断及健康评估算法的正确性和有效性。