随着工业智能化的持续深入,机械健康管理领域呈现出数据海量、特征高维和信息隐含等全新特点。传统的故障诊断模式依赖于信号处理技术和人工特征提取,无法满足大数据背景下海量多源异构监测数据的处理需求,迫切需要引入深度学习等大数据分析工具,革新现有诊断思路,进一步提升故障诊断的精确性、适应性、智能性和鲁棒性。因此,本文以油气行业动设备为研究对象,以深度网络为诊断工具,在敏感特征挖掘、跨工况诊断、背景噪声滤除、诊断模型自适应构建、多源异构数据处理与融合等方面开展深入研究,解决故障诊断在实际应用中存在的固有难题。主要研究内容如下:（1）基于卷积神经网络的故障敏感特征自学习方法针对故障敏感特征提取困难且重用性低的问题,提出基于一维卷积神经网络的特征自学习方法,直接处理振动监测数据,自动挖掘故障特征表示,并用于分类识别,实现端到端式的智能诊断。故障诊断试验表明,与“信号处理+特征提取+模式识别”的传统方法相比,提出方法的诊断正确率提高了5个百分点,标准差下降了1个百分点。（2）基于深度领域自适应的跨工况故障识别方法针对设备工况波动会带来监测数据的分布差异,致使诊断正确率下降的问题,提出深度领域自适应方法,通过深度映射,将不同工况的数据投影到公共特征空间,消除工况干扰,实现跨工况诊断。故障诊断试验表明,与传统浅层迁移学习方法相比,提出方法对于工况波动的鲁棒性更强,跨工况故障诊断正确率提高了10到30个百分点。（3）强噪声干扰下基于深度网络的振动降噪方法针对实际生产中,背景噪声过强会淹没故障特征信息,导致故障难以检出的问题,提出深度降噪网络,通过数据驱动建立噪声污染信号和纯净振动波形之间的复杂映射关系,滤除背景噪声的同时最大程度地保留和还原振动信号中的故障特征。故障诊断试验表明,深度降噪网络能够显著增强样本信号的信噪比,从而提高强噪声干扰下的故障诊断正确率。（4）基于遗传算法优化的深度网络自适应构建方法针对深度网络结构设计和参数设定困难,依赖专家经验和试验尝试的问题,提出基于遗传算法的深度网络自适应构建方法,自动迭代寻优,构建当前任务和数据下的最佳深度诊断模型。两组故障诊断试验中,提出方法均达到了100%的诊断正确率,且与相关文献相比,提出方法的参数优化更为全面和彻底。（5）基于多源异构监测参数的深度融合诊断方法针对现有故障诊断策略对多源异构监测参数利用不足的问题,提出深度融合诊断方法。提出多流卷积神经网络,同步处理一维振动信号和二维红外图像,挖掘深度特征,并通过特征融合技术,保留互补信息,去除冗余数据。故障诊断试验表明,融合诊断的正确率达98.87%,高出传统单一监测诊断方法10个百分点左右。而且,通过多源异构监测和深度网络的相互作用,降低了深度模型的训练难度,提升了智能诊断的效率。