Актуальность. Определяется сложностью мониторинга и диагностики состояния подземных элементов конструкции штанговых глубинно-насосных установок и больших экономических потерь при эксплуатации этого оборудования с не выявленными своевременно дефектами. Цель: разработка способов обнаружение неисправностей штангового насоса, не требующих привлечения для диагностики высококвалифицированного персонала, с использованием информации, получение которой легко доступно на поверхности. Методы: методы машинного обучения (метод дерева решений, метод K-ближайших соседей, метод опорных векторов, наивный байесовский классификатор) с использованием диаграмм мощности двигателя. Результаты и выводы. Показана возможность обнаружения неисправностей штангового насоса на основе методов машинного обучения. Исследование проведено на основе разработанной имитационной модели штангового насоса, использованной для воспроизведения кривых мощности двигателя с учетом влияния особенностей различных сценариев функционирования оборудования. Являясь основным источником энергии для добычи нефти, мощность двигателя напрямую связана с рабочим состоянием нефтяной скважины в реальном времени, а кривая мощности двигателя является надежным источником информации, позволяющим повысить эффективность диагностики штангового насоса. Для обучения классификаторов и оценки точности их функционирования использовался ряд характеристик, получаемых из кривых мощности двигателя для шести различных рабочих состояний насоса. А именно, рассчитывались рабочие коэффициенты, представляющие собой отношения интеграла мощности на каждом из четырех этапов цикла работы установки к интегралу мощности за весь цикл. Результаты показывают, что рассматриваемый подход позволяет обеспечить высокую точность диагностики условий работы штангового насоса. Классификатор на основе метода решающих деревьев показал наивысшую эффективность среди четырех исследованных классификаторов по выявлению всех шести типов неисправностей (95,8 %), метод опорных векторов также показал весьма высокую эффективность (90,3 %).