电机作为机电能量转换的重要装置，对国民经济、能源利用、环境保护和人民生活质量的提高都起着十分重要的作用。而电机出现故障，会影响人们的生产生活，甚至造成严重经济损失与危害生产人员的生命安全，因此开发先进的电机故障方法具有重大的经济意义和社会意义。近年来，随着工业电机向着大型化、高速运行化、复杂化方向发展过程中，对电机故障诊断领域也带来了一系列技术难题，诸如高维故障数据难以快速处理、故障诊断结果的主观性、故障识别的漏识等等。基于该现状，本文主要研究了云模型算法，实现了对当前融合故障诊断系统的决策主观性消除、对来自于多个传感器的电机故障信号去冗降维、现有诊断技术识别过程中维数灾难局限性的消除以及多故障指标的并行处理实现依赖多维故障特征量快速诊断，对其建模并通过仿真实验进行了验证。具体内容概括如下：　　首先，分析当前成熟的模糊融合诊断方法，仅使用模糊理论中单一决策准则，存在无法判别、人为精确化的局限，因而可在进行决策时候适当增加决策准则与评价指标，构建云一模糊融合诊断系统，最终得到可按重要性排序的三个决策准则，实现了多级决策与评定决策结果，不仅解决原诊断系统局限所在，也使诊断结果更加客观、准确。　　其次，就高维电机故障数据难以快速处理进行了去冗降维研究。本文引入了云模型，运用该模型的正、逆向云发生器，以来自同一电机不同位置的多个传感器的故障信号作为样本，通过云运算求取云隶属度，以此作为择优选取部分信号的指标，成功实现了多信道信号的去冗降维。　　而对现有在线故障诊断技术BP神经网络、支持向量机存在维数灾难，信息融合技术证据高冲突局限难以处理高维故障数据的局限性，利用云模型与云推理规则相结合构建电机状态规则云，成功实现了故障的正确识别。　　最后通过对电机不同状态信号去噪提取得到多个故障指标，引入多个云模型构建了并行云与合并云，实现了多故障指标客观取舍与概念提升，进而根据合并云参数得到多维状态判据可用于电机故障状态的完全识别，有效解决了基于单一指标仅部分状态识别的局限性，因此，依赖于多故障指标进行诊断的方法为电机故障领域发展提供了有用的思路。