本文主要通过对传送带装置中的电机故障诊断方法进行研究，利用统计学习理论中的支持向量机理论，较好的执行了统计学习理论的结构风险最小化原则，为解决小样本学习问题提供了统一的框架。 支持向量机针对小样本情况所表现出来的优良性能引起了众多故障诊断领域研究人员的注意，因为故障诊断本身就是一种小样本情况在实际问题中的体现。支持向量机应用于故障诊断最大的优势在于它适合于小样本决策，其学习方法的本质在于能够在有限特征信息情况下，最大限度地发掘数据中隐含的分类知识。从推广性的角度来看，更适用于故障诊断这种实际的工程问题。 虽然支持向量机在理论上有很突出的优势，但其应用研究相对比较滞后。基于此，论文围绕支持向量机在电机故障智能诊断应用中的问题，从样本数据预处理、特征选择、多类支持向量机的实现以及基于主成分分析的集成学习方法等几个方面进行了研究比较。 1、基于支持向量机理论，对高维故障样本数据的特征选择进行了研究和应用。 首先分析了特征维数与分类效果之间的关系，说明了在很多情况下特征维数的增加反而会降低分类效果，其原因在于存在伪特征干扰，利用支持向量机的理论，同时结合特征选择的算法，针对电机故障诊断问题，对多组原始的7维数据样本进行了特征选择，从试验精度的结果可以看出提取后的特征数据更具有效性，说明了在实际故障诊断问题中进行数据预处理有利于分类算法的实现，为电机故障诊断问题提供了一种有效可行的数据预处理方式。 2、提出将主成分分析的支持向量机与集成学习方法结合起来，并运用于故障数据的处理，预测。 首先对主成分分析的集成算法进行了研究，并在此基础上同时进行特征选择，试验结果与单纯的集成学习的支持向量机比较，说明通过主成分分析集成，可以进一步提高支持向量机的泛化能力，同时说明特征选择对于主成分集成同样起到了精简数据的作用。