随着现代化生产设备日趋大型化、精密化和自动化，设备故障也呈现出随机性、多样性和滞后性等特点，并且一种故障的形成往往是由多种因素所造成的。这就使得传统的故障诊断与检测技术很难适用于大型复杂系统的故障诊断。因此故障诊断技术的研究重点逐渐向着人工智能混合技术的方向发展，如人工神经网络(Artificial Neural Network，ANN)和粗糙集(Rough Set，RS)的融合技术等，已经在故障诊断中广泛应用。本文旨在将粗糙集理论、人工神经网络和粒子群优化算法所组合的混合智能算法引入到故障诊断领域，并以诊断精度为目标，结合实际案例作为研究对象，研究上述人工智能算法在故障诊断中的应用。论文的主要内容如下：首先，论文分析了设备故障诊断的重要性，总结了目前故障诊断技术常用理论和方法，并分析了各种诊断方法的适用范围和优缺点。在此基础上提出了以粗糙集理论、BP神经网络与粒子群算法相融合的智能算法进行故障诊断的思想。其次，分别叙述了RS理论、BP网络、PSO的原理以及其学习算法过程。然后，分析了RS和ANN相结合的可能性，设计了RS和PSO优化BP网络的故障诊断模型。按照该故障诊断模型的次序，分别研究了RS连续属性离散化和属性约简的方法，由于这两种方法影响到故障特征处理的效果，故经过对比分析，本文研究了聚类能力较强的自组织映射网络(SOM)对样本数据进行离散化处理；接着研究了计算方便，准确性较好的差别矩阵改进算法对样本数据进行属性约简，从而得到最小属性核；另外设计了PSO优化BP神经网络的模型及算法流程。最后，将RS的PSO-BP神经网络的故障诊断模型，应用于滚动轴承进行故障诊断，并与BP神经网络和PSO-BP神经网络的诊断模型进行仿真研究和结果对比分析。仿真结果表明基于粗糙集和粒子群优化BP神经网络的智能故障诊断方法诊断精度高，训练时间短，网络结构简单。