在近代工业生产过程当中,我们总是希望可以对工业设备的故障实现早期预报,做到防患于未然,从而保证设备能够安全、稳定、长周期、满负荷优质运转,使设备的效益实现最大化。这样就促使故障诊断学的产生,并激起大量科研人员对设备故障诊断的进行研究,使其不断发展和完善。现代的设备正走向高速化、高功率、高可靠性、大型化,使得设备的故障变得复杂化、多样化。传统的设备故障诊断方法已难以胜任现代的复杂设备的故障诊断,本论文基于此目的,将人工智能方法想法引入到设备的故障诊断领域,从而解决复杂设备的故障诊断问题。本论文首先对风机的故障类型展开细致的讨论,分析风机的组成、故障产生的原因、故障类型及典型案例分析；分析在故障诊断中应用信息融合技术的可行性。其次,利用小波包的原理讨论了风机的故障信号的特征参数的提取方法,利用小波包系数能量法构造故障的特征向量,作为故障诊断的客观证据的来源；然后详细的讨论信息融合技术的基本原理,阐述了信息融合的级别及其方法,以及信息融合技术与设备故障诊断之间的关系和信息融合的设备故障诊断模型。再次,仔细研究了基于D-S证据理论的风机故障多信息融合诊断方法。建立了多故障特征信息融合诊断框架,并且提出了一种符合风机故障特点的D-S证据理论基本可信度函数的构造方法。最后,通过应用TLZ13.2型风机故障诊断的工程实例,对D-S证据理论进行了详细的论证,讲解其实现步骤及方法,从而证明应用D-S证据理论进行多信息故障特征融合,能以最有效的方式提高风机故障诊断的可靠性,减小诊断的不确定性,以提高风机故障诊断的有效性及可靠性；利用美国优秀的Dempster-Shafer Engine软件进行融合仿真实验,达到了较高的精度。实际工程应用表明,利用复杂设备系统的非平稳信号来建立相应的智能故障诊断系统,可以获得更有物理意义的诊断结果,实现准确的故障诊断。