瓦斯传感器是煤矿监测系统中最重要的环节之一,对传感器输出信号好坏的检测能力是整个监测系统能够安全有效运行的保障。一旦传感器发生故障而不能及时准确的反映出矿下瓦斯情况,则会造成很大的经济损失,甚至会出现人员伤亡的情况。可见,瓦斯传感器的可靠性直接影响到井下财产安全和井下作业人员的人身安全,所以,瓦斯传感器的故障研究具有重要的经济意义和社会意义。本文分析了瓦斯传感器的常见故障,介绍了现有的诊断方法,提出了基于主成分分析法(PCA)和最小二乘支持向量机法(LS_SVM)算法的瓦斯传感器故障分类识别诊断方法。文中采用主成分分析法对煤矿瓦斯传感器所采集的数据点进行降维处理,并且对传统的主元分析法进行改进,根据均值化的方法求得不同样本值携带原始数据信息能力,再进行约简操作,使样本数据进行二次约简,简化了样本结构,降低了冗余度,并且保证降维后的数据携带足够的原样本数据信息。然后以经过主成分分析法降维后的数据为样本,对最小二乘支持向量机进行瓦斯传感器故障分类建模研究。为了提高分类的准确度,本文以多项式核函数,径向基函数核函数,Sigmoid核函数这三种核函数为基础,并结合一些多分类算法进行模型参数寻优。通过多次实验,得到以径向基函数为建模核函数和基于二叉树的多分类算法的分类模型具有较高的判断率。最终,建立基于PCA与LS_SVM的瓦斯传感器故障诊断模型,并与基于BP神经网络作为瓦斯传感器故障诊断的方法进行识别准确度和速度上的对比,结果表明基于PCA与LS_SVM故障诊断模型不但分类速度快,而且分类准确度也高,满足了本文最初的设计目的。