高压断路器在电力系统中是非常关键的设备,它的工作状态关系到电网是否能安全可靠的运行。如果高压断路器发生故障将会带来巨大经济损失，因而快速有效的高压断路器故障诊断系统能够迅速准确査找故障发生的部位，为及时进行故陣处理提供保证，这对于电力系统迅速恢复_正常运行具有重要的意义口　　目前在高压断路器故障诊断研究主要集中在利用人工智能分析高压断路器振动信号、利用神经网络对分合闸线圈的波形以及其对应的时间进行训练，以及基于分辨矩阵的粗糙集等方面，但是存在着信号提取比较困难，诊断结果会受到周围环境的影响，同时检测故障会出现部分特征量难以提取的情况，有时会出现局部最优解的问题，同时会出现没有经过训练的特殊数据时将会降低诊断的准确性的问题。　　本文将融合遗传算法(GA)的粗糙集和贝叶斯网络结合在一起，首先利用G A粗糙集对属性进行约简，同时根据故障的征兆及其原因的先验概率，在贝叶斯网络中进行推算，无需对网络进行训练，也不用提取容易受到环境的变化影响的精密的髏动信号，此方法较利用踩动信号对高压断路器故障诊断更加具有操作性以及实用性?　　最后通过对某变电站配备FK3-5操动机构的GL316X型SF6断路器统计的数据进行分析，根据高压断路器所出现的征兆进行诊断，之后将诊断结果与实测的结果比对，得出基于粗糙集和贝叶斯网络的诊断结果准确率略高于神经网络径向基的诊断结果，这种方法无论是在实用性或者是在操作性方面都得到了较大的提高。