近年来在石油工业开采中,有杆采油占据着主导地位。由于油井井下工况十分复杂,环境极其恶劣,所以故障发生率很高。虽然目前出现了许多诊断方法,但依靠单一的神经网络或专家系统不能很好地完成诊断,为此本文提出一种基于小波包与神经网络相结合的有杆抽油系统故障智能诊断方法,对故障进行快速有效地诊断。本文以有杆抽油井故障诊断系统为研究对象,深入分析有杆抽油系统工作原理,在数字信号分析及小波包分解的基础上,先通过对齿轮振动信号实例仿真,验证应用小波包进行能量特征向量提取的可行性；然后应用极差正规法对采集到的示功图数据进行归一化预处理,并利用验证后的小波包分解方法对示功图进行能量特征向量提取；在对比分析RBF网络与BP网络函数逼进性能的基础上,选择了具有较高精度逼近能力的RBF网络；最后将小波包分解与RBF网络有机相结合,构建了RBF网络模型,利用所建模型,以某油田现场实测示功图数据为例,对抽油井系统故障进行了诊断,以六种工况下的故障类型为例进行识别,故障识别率达到97%,取得良好的实验效果。采用上述理论研究成果,将ACCESS数据库与MATLAB方法融合,设计与开发有杆抽油井故障智能诊断系统,实现了油井故障的高效诊断。该实验系统表明本文所提出的应用小波包与RBF网络相结合的方法对油井故障诊断是可行的,且诊断结果正确可靠,诊断方法较好。