随着科技的发展和进步,各领域用到的电动机自动化程度逐渐提高,电动机的内部结构也逐渐趋于复杂化。因为很多电动机都处在长期连续运转,并保持着强度较高的工作状态,所以电动机难免会产生各种不同的故障。本文以异步电动机作为研究对象,研究了两种基于深度学习的异步电动机故障诊断方法。首先,本文采用了一种基于深度信念网络的异步电动机故障诊断方法,此方法以深度信念网络为基础,构建出应用于异步电动机的故障诊断模型。研究了此网络的内部结构以及此故障诊断模型的初始化步骤和常用于训练此模型的方法,并通过实验得出基于深度信念网络的故障诊断模型存在内部运算相对复杂、对异步电动机故障数据的特征提取能力欠缺的缺点。然后,针对深度信念网络存在的缺点,提出了一种基于栈式自编码网络的异步电动机故障诊断方法,详细研究了栈式自编码网络的结构以及推导过程,构建出栈式自编码网络与Softmax回归分类器相结合的故障诊断模型,并研究了此网络的内部结构以及此故障诊断模型如何进行初始化和网络训练,对比了此故障诊断模型与传统的由深度信念网络构建的故障诊断模型,通过实验验证了这种基于栈式自编码网络的异步电动机故障诊断方法存在的优点。最后,针对基于深度信念网络的故障诊断模型和提出的基于栈式自编码网络与Softmax回归分类器相结合的故障诊断模型进行实验对比,通过实验结果验证了基于栈式自编码网络的异步电动机故障诊断方法能够达到更高的故障诊断精确度。并与传统故障诊断方法对比,证明了采用深度学习方法在异步电动机故障诊断上具有优越性,说明基于深度学习的故障诊断方法适合应用于异步电动机。