随着液压技术不断地发展，液压系统被广泛地应用于许多重要的领域。在液压系统的功能不断增强的同时，其结构变得越来越复杂，这也增大了液压系统发生故障的可能性。液压泵作为整个液压系统的动力源，它所处的工作环境恶劣，并且结构复杂，导致其很容易发生故障。它的工作状况将成为影响整个液压系统乃至整个设备的正常工作的关键，因而对液压泵进行状态监测和故障诊断尤为重要。近年来，液压泵的故障诊断技术成为研究的热点，正向着智能化、自动化的方向发展。本文采用了一种将混沌理论和神经网络相结合的方法完成液压泵的故障诊断过程。混沌理论是当今非线性科学研究非常活跃的一个方面，将混沌理论和神经网络相结合构成性能更为优越的混沌神经网络成为研究的热点之一。本文在前向神经网络的基础之上，建立了一种基于Logistic映射的前向混沌神经网络，并研究了该网络的学习算法。通过引入混沌机制，使得该种混沌神经网络能够有效地避免神经网络在训练过程中易陷入局部极小值的缺点，并对微小区别的模式具有更好的识别效果，该网络具有良好的寻优能力、泛化能力以及模式识别能力。为了验证该方法的有效性，本文以实验室材料试验机的斜盘式轴向柱塞泵为诊断对象，对液压泵进行状态监测，采集了泵在不同工作状态下在其端盖处的振动信号。以垂直于端盖的振动信号为研究信息，采用短时最大熵谱分析的方法得出了各故障状态的共振频带范围，为小波包带通滤波提供依据。利用小波包理论和希尔伯特变换的包络解调的方法完成信号的处理，并进行了功率谱分析。提取包络信号的幅值域特征指标作为特征向量，以多组特征向量作为混沌神经网络的训练和测试输入。应用MATLAB软件进行编程，证明了前向混沌神经网络应用在液压泵故障诊断中是切实可行的，并且与目前应用广泛的BP神经网络的诊断结果相比较，得出前向混沌神经网络比L-M优化的BP神经网络的收敛速度更快、诊断正确率更高，体现了混沌神经网络应用于液压泵故障诊断方面的优越性。