故障诊断技术是借助于现代监控、测试和计算机分析等手段，诊断其故障的性质和起因，并预测故障趋势，进而确定必要的对策。利用故障诊断技术可以及时找出设备的故障，避免不必要的损失，因而对故障诊断技术研究具有很高的经济价值和意义。 本文对传统的故障诊断专家系统的一般结构进行阐述，并对传统诊断系统的知识获取、诊断规则表示、诊断推理机制等进行深入研究；同时详细的阐述了决策树分类算法，并对比较流行的决策树算法ID3、C4.5等算法进行详细分析与比较。 本文在分析故障诊断专家系统各个关键技术与某部队需求的基础上，为该部队设计一个坦克的故障诊断系统。该诊断系统通过故障现象与故障现象关联的特征信息来诊断装备的故障发生的位置。本文把决策树分类算法应用到故障诊断系统中，实现系统的机器学习模块，利用决策树算法自动寻找故障现象与故障之间的关联关系。在规则存储方面把决策树直接存储到知识库中，保存规则的同时又记录规则之间的关联关系。针对规则存储的特点采用基于决策树推理机制来实现推理机模块。同时该故障诊断系统的模型是一个通用结构模型可以应用于其他机械设备故障诊断系统中。 通过对决策树分类算法的比较，本文采用C4.5决策树算法实现自学习模块。通过对C4.5算法的研究与分析，针对该算法处理连续性属性的不足，采用一种基于信息熵的区间合并的属性离散化方法。该算法的主要思想是利用等宽划分离散化方法划分属性，通过计算合并前后的信息熵值进行比较，选择区间进行合并，最终来确定属性离散后的区间。该算法在一定程度上避免了原算法的不足，在项目中应用效果良好。 最后根据客户的要求在C++Builder平台上实现本文设计的坦克故障诊断系统，数据库使用SQL2000。