当前在抽油机井的开采过程中，及时地了解和掌握抽油机井下的工作状况，实现整个采油系统的自动监控，是整个石油行业迫切需要解决的课题。由于抽油机井下环境比较复杂，抽油设备经常会遭受到无故的损坏，会严重影响石油的产量和经济效益。因此，本文在传统的工况故障诊断上研究了抽油机井的智能诊断技术。传统上，油井工作人员通过实测地面示功图来判断抽油机井下的工作状况，但是由于抽油机杆柱的变型、杆柱粘滞阻力、振动和惯性等其它因素的影响，地面示功图很难对井下泵的工作状况做出正确地判断。因此本文通过研究井下泵的电流变化规律来反应泵的工作情况，这种方法被称为电流法。然后应用此原理建立了以井下泵电流随时间变化的示功图诊断模型。接着本文详细的阐述了示功图的图形形成过程和特点，并对这些示功图进行预处理和示功图尺寸归一化，建立了示功图故障样本集。通过对示功图的形状特征的研究，依据图像处理原理，将示功图灰度矩阵化，然后提取出了基于示功图灰度矩阵的六个特征参数，把这六个参数构成分类特征向量。研究了BP神经网络和Elman神经网络的基本结构、网络的集成、网络的参数配置。比较BP神经网络和Elman神网络的优缺点，最后选用Elman神经网络建立了抽油机井下故障智能分类模型，将分类特征向量作为网络的输入，将故障的类型模式作为输出，经过Elman神经网络对大量样本的学习，最后把学习的知识以权值和阈值的形式存储在网络中。本文利用Matlab编写出了示功图图形特征提取模块和Elman神经网络分类模块，将所训练好的网络应用于仿真测试，给出了仿真结果。测试结果表明这种方法切实可行，具有一定的理论意义和实践价值。