自确认传感器是一种可以在采集数据、输出测量值的同时，能够对自身的工作状态进行在线检测，进而能够实现故障自我诊断和数据自恢复的新型传感器。由于其输出结果值相比传统传感器更加丰富和优化，从而极大程度提高了测量与控制系统的稳定性与可靠性。自确认传感器的关键问题是故障诊断、隔离及数据恢复（Failure Detection, Isolation and Recovery，FDIR），即当系统出现故障时，能够准确发现故障位置及原因，将其隔离并在线使用最佳估计值暂时代替错误的输出值实现数据恢复，为更换元器件提供时间，保证系统能够稳定的运行。本文针对自确认传感器的故障诊断、隔离及数据恢复方法展开了如下研究工作：1.本文研究并设计了一种基于主元分析——相关向量机（PCA-RVM）的故障检测模型。为验证该方法的可行性，通过研究各敏感单元的常见故障类型及其发生的原因、机理、表现形式，设计了故障仿真平台，对传感器失效故障进行了有效的模拟，并将仿真的数据应用到后续的算法研究中，进行故障检测、隔离及数据恢复。2.针对故障诊断单元，本文研究并设计了一种基于主元分析法（PrincipalComponent Analysis, PCA）的故障检测模式。利用主元分析法，分析多个敏感单元之间的内在关联，通过平方预报误差（Square Prediction Error, SPE）统计量与阈值大小的比较，判断敏感元件是否发生故障。当敏感单元发生故障时，PCA模型能够对故障进行有效的检测。当传感器内存在多敏感单元发生多个故障时，PCA算法也可以同时检测出不同敏感单元的多个故障。3.针对目前故障隔离及数据恢复单元部分，研究并设计了一种基于相关向量机（Relevance Vector Machine, RVM）的故障隔离及恢复方法。在分析了RBF、Cauchy、Cubic等核函数以及Morlet、Mexican Hat等小波核函数的性能指标及预测能力后，设计了一种基于组合核函数的相关向量机预测器，相对于原有的核函数，增强了其抗噪能力以及建模速度。在RVM模型下进行故障在线隔离及数据恢复，与传统的BP神经网络、RBF神经网络方法进行相比，发现基于组合核函数的RVM对于数据恢复的精度和实时性相对于其余两种算法都有着很大的改善。经过测试，基于PCA-RVM方法的模型可以有效的实现故障诊断、隔离及数据恢复算法，与传统算法相比，有着很大优势，满足设计要求。