机内测试(Built-in Test，BIT)技术是改善系统测试性和诊断能力的重要途径，在保障装备的战备完好性、提高维修效率方面发挥了重要作用，但目前广泛应用在机载电源中的传统BIT技术由于诊断方法过于单一，对诊断信息的利用能力也非常有限，因此在使用过程中表现出的故障检测、隔离能力差、虚警率高的问题严重制约着其效能的充分发挥。尤其是下一代多电飞机，由于大量采用电能来提升飞机的整体性能，使得多电飞机对电源系统的可靠性、测试性、故障诊断和容错能力的要求都远高于常规飞机。因此，在下一代多电及全电飞机中，研究新型有效的智能BIT技术对提升飞机的整体性能具有重要意义。本文以“多电飞机电气系统关键技术研究”课题为背景，对其关键技术之一——机内测试技术进行了探索与研究，以期通过采用智能化方法来提高电源系统BIT的故障诊断性能。论文的主要研究成果及创新如下：1．系统地分析和总结了多电飞机电源系统可能的故障模式，建立了相应的FMEA分析表。根据特征检测点的选取原则，对系统中的特征信号进行分析，确定了合理的BIT特征检测点，为电源系统智能BIT诊断技术打下基础；2．建立了飞机电源BIT动态系统的数学描述模型，在此基础上，针对目前电源BIT故障诊断在方法选取上缺乏合理依据的现状，从理论上分析了当前所采用的BIT诊断方法的不足，给出了提高电源BIT系统智能化诊断性能的几种策略；3．针对飞机电源BIT系统传统诊断方法的缺陷，研究了基于竞争学习思想的无监督聚类神经网络，实现了一种能够广泛用于飞机电源智能BIT系统的新型诊断方法：①针对标准无监督GLVQ模型在分类上存在的不足，提出了一种改进型IGLVQ。通过对网络亏损因子进行修正，并推导出网络在新的亏损函数下的学习规则，有效的克服了输入数据范围及类别数变化对分类的影响；②在改进型IGLVQ模型的基础上，引入了有监督的学习矢量量化层，构成了一种新的无监督混合聚类模型(HIGLVQ)，提高了无监督聚类网络对相近故障模式类的区分能力；③将新型的基于HIGLVQ混合聚类网络的诊断模型用于多电飞机电源BIT系统，结果表明，本章提出的方法用于飞机电源BIT状态识别时其准确率较高，可有效的提高电源BIT系统的故障诊断性能；4．针对目前电子系统BIT虚警机理的研究和多电飞机电源系统的自身特点，分析了电源系统中两类暂时性故障的产生机理，并从两类故障的产生条件、持续时间、发生概率和表现特性上对其特点进行了分析和阐述；从BIT虚警率的概率数学模型角度，分析了识别两类故障对虚警率的影响，从理论上证明了识别两类故障状态可有效的降低BIT系统的固有虚警率；提出了基于HIGLVQ—优化Bayes风险决策的电源系统BIT智能虚警滤波模型。将诊断中的概率因素融入诊断器中，通过对LRU级的诊断结果做进一步判定，以决策结果的真实性。结果表明，本章提出的方法能够有效消除瞬态或间歇故障产生的虚警；5．为增强电源BIT系统的智能诊断水平，研究了故障预测技术在电源BIT系统中的应用。针对电源系统渐变故障的特点，通过建立电源系统的隐马尔可夫(HMM)多阶预测模型，提出了基于特征频谱和一维时序信号的故障预报策略；针对HMM模型在线预测不能实时更新参数的问题，提出了一种新型的径向基HMM预测模型(RBHMM)，通过在线数据实时更新模型参数，以使预测模型能够自适应地跟踪系统的状态变化；将基于RBHMM的预测模型用于飞机电源系统BIT中，对一维时序导通率故障信号进行预测，实验表明，基于RBHMM的在线实时预测模型自适应能力强，预测性能高于原有HMM模型离线训练／在线趋势预测的方式，能够有效地增强电源BIT系统的智能故障诊断性能。