故障诊断技术能够准确、及时地检测和诊断出工业生产过程中的故障，从而可以避免、减少事故、提高企业经济效益，是过程控制领域中研究热点之一。 针对故障诊断是一个小样本问题，同时复杂的化工系统中大量监控变量和系统噪声会严重干扰到故障诊断，提出了一个基于特征选择和支持向量机(SupportVectorMachine，SVM)的故障诊断方法，即采用适合小样本问题的SVM作为分类器进行故障诊断，使用特征选择来去除系统中与故障不相关或冗余变量，实现数据降维和去躁，保证SVM的故障诊断性能。为了可靠、迅速地实现故障特征选择，在深入研究离散二进制群智能优化算法的基础上，提出了一类基于离散二进制群智能优化算法和SVM的卷积式特征选择方法。主要研究内容如下： (1)介绍了故障诊断、特征选择和群智能的研究现况，并对群智能优化算法及其在特征选择中的应用、基于特征选择的SVM故障诊断方法的发展方向给出了一些自己的看法。 (2)对两个基本的离散二进制粒子群(DiscreteBinaryParticleSwarmOptimization，DBPSO)算法模型进行了深入的研究。通过数值仿真测试，从概率统计的角度对算法自身特点、算法中各个参数对算法寻优性能的影响进行了考察与分析，并给出了一些参数选择的建议。 (3)在基本的DBPSO算法的基础上，引入了禁忌搜索、变异操作、耗散操作和混沌二进制序列，提出了多种改进的DBPSO算法。根据数值仿真结果，对禁忌搜索、变异操作、耗散操作和混沌二进制序列对DBPSO算法性能的影响、具体参数的设定等问题进行了分析和总结，并给出了一个集成改进DBPSO算法模型。仿真实验表明，改进的DBPSO算法具有更好的优化性能。最后，结合启发式知识和改进的DBPSO算法，给出了一种基于SVM的故障特征选择方法，并应用于USC型石脑油裂解炉中的单传感器故障诊断中。实验结果表明，改进的DBPSO算法能够更快、更准确地搜索到故障特征变量，而基于特征选择的SVM具有良好的故障诊断性能。 (4)在经典的蚁群优化(AntColonyOpitmization，ACO)算法的基础上，通过将离散二进制优化问题转换为一个利用信息素搜索最优路径问题，提出了一种新的离散二进制蚁群算法(DiscreteBinaryACO，DBACO)，数值仿真实验表明DBACO具有良好的优化能力。根据故障特征选择问题的特点，在基本的DBACO算法中引入启发式信息，提出了一个改进的DBACO算法用于对USC型石脑油裂解炉中的多传感器故障进行故障特征选择。仿真实验表明，改进后的DBACO算法能够更快地搜索到故障特征变量，有效地保证了SVM的故障诊断性能。 (5)在基本的DBPSO算法和DBACO算法中引入量子优化算法，提出了量子PSO(QuantumPSO，QPSO)和量子ACO(QuantumACO，QACO)算法。在QPSO算法中，根据PSO算法信息共享机制，给出了三种不同的更新策略，并对这三种更新策略进行了仿真研究。引入了自适应参数、量子非门、量子混沌耗散门以提高QPSO算法性能；最后提出了一种多机制QPSO算法提高QPSO对不同优化问题的求解性能。而在QACO中，针对传统的量子旋转门更新策略无法用于QACO中信息素的更新，提出了一种新的旋转门更新策略，数值仿真实验显示QACO能够很好地完成优化任务。最后，对TennesseeEastman(TE)过程的故障诊断仿真实验表明QPSO和QACO能够高效地、准确地实现故障特征变量选择，提高SVM故障诊断性能。 (6)分别对连续搅拌釜、USC型石脑油裂解炉和TE过程三个不同规模的对象进行故障诊断研究，分别采用全部变量、主元分析后的主元、核主元分析后的核主元以及基于SVM和二进制群智能优化算法的卷积式特征选择方法选取的故障特征变量作为SVM的输入，进行故障诊断，故障诊断结果表明基于特征选择的SVM故障诊断方法具有更好的故障诊断性能和鲁棒性。