针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题，结合决策树与支持向量机提出一种基于小波包分解与DAG-SVM的柱塞泵故障诊断方法。该方法预先对所用C-SVM和RBF核函数的参数进行优化，而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量，将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置，通过模拟不同故障，利用已知故障样本完成支持向量机的训练过程，进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符，验证了该方法的准确性。

针对齿轮泵故障成因复杂、模糊性强的特点,结合小波包分解与K-L变换,提出一种适用于支持向量机故障诊断的特征提取方法。通过小波包对样本故障振动信号进行分解得到特征向量,而后利用K-L变换处理得到新的特征向量集,达到降维去噪的目的。将处理后的特征向量集用于支持向量机的模型训练,分析结果表明：该方法能够有效提高故障模式识别准确率和识别效率。