核电厂以核反应堆作为产生蒸汽的热源，在发生事故时存在放射性核素释放风险，并且核电厂所发生的事故不但会影响自身，而且会波及周围环境，乃至越出国界。因此，在核电厂发生异常状况时，及时探测并准确地诊断故障，预测故障发展的趋势并采取合适的措施消除或缓解故障带来的危害，对于提高核电厂安全水平降低风险至关重要。　　由于存在系统真实模型难以获得，难以有效地考虑各故障间可能存在的相互联系且诊断模型难以扩充或修改，以及对诊断结果缺乏解释等问题，传统诊断方法在核电厂的应用存在局限。本文根据核电厂运行特点，提出了一套改进型的多层流模型故障诊断方法。该方法中，将人工智能领域的支持向量机方法、概率安全评价领域的故障树方法与多层流模型方法相结合，提高了故障诊断的时效性、可解释性和准确性。本文主要工作与创新之处在于:　　(1)对已有的数据驱动与多层流模型结合方法的特点进行了分析，在此基础上提出支持向量机与多层流模型相融合的故障诊断方法，采用自适应传感器阈值优化算法对多层流模型中流功能单元的报警阈值进行动态调整，提高了故障诊断的速度和准确性。　　(2)将故障树方法中的割集分析思想引入到故障识别中，通过计算故障状态下的最小诊断集与诊断重要度对造成故障状态的部件组合进行识别，使得操作人员得以快速的确定故障原因并排除故障，解决了现有的基于多层流模型的不确定性定量诊断方法仅能对造成故障状态的单一故障源进行诊断识别的问题。　　(3)采用现代软件工程的思想，针对压水堆核电厂的功能特点，设计了故障诊断系统架构，开发了原型系统。　　最后，采用压水堆电厂的典型故障例题对所提出的故障诊断方法进行了实例验证，证明了该方法的正确性和有效性。