核电机组的核燃料具有放射性，其热力系统运行特性对机组的安全经济运行有着至关重要的影响，一旦发生故障有可能会引起巨大的灾难，因此，研究核电机组热力系统故障诊断对提高机组安全经济运行具有深远的意义。目前国内外的研究学者逐渐倾向于采用人工智能算法进行故障诊断，本文在对人工神经网络的结构、种类及训练学习方法研究后，选用带有反馈回路的Elman神经网络作为诊断的算法基础，同时考虑到征兆参数变化的复杂性以及神经网络对输入变量的限制，选取具有将模糊概念转变为隶属度的模糊理论作为故障和征兆知识库的处理方法。　　由于热力系统结构复杂且设备众多，本文选取蒸汽发生器、高压加热器及凝汽器三个主要设备作为诊断的研究对象，在对每个设备的典型故障和征兆进行分析后，结合各个设备的历史故障案例、运行规程及运行人员经验，总结出相对完善的典型故障及征兆知识库。考虑到Elman神经网络的自连接反馈增益因子、权值和阈值的设定方法没有明确规定，导致学习效率不高，有一定的随机性，同时训练过程中采用的梯度下降法易陷入局部最小值，为此本文建立了基于Elman神经网络的蒸汽发生器故障诊断模型、基于遗传优化的Elman神经网络高压加热器故障诊断模型以及基于粒子群优化的Elman神经网络凝汽器故障诊断模型，并将它们应用到某核电站故障诊断中，都取得了较为满意的诊断结果。针对双压凝汽器的结构和运行特点，本文建立了基于粒子群优化的Elman神经网络真空预测模型，并将其运用到实际过程中，也得到了较好的预测结果，说明粒子群优化的Elman神经网络在故障和正常运行中对操作人员都具有准确的指导意见。