机器学习领域得益于数据量和计算能力的提升,实现了从浅层学习到深度学习的发展。浅层学习模型不仅在应用过程中需要特定技巧和许多先验知识,并且在大量数据及复杂分布面前,由于其模型容量的限制显得力不从心。而深度学习则不仅能通过加深网络增大模型容量,而具有普适近似器的性质,以实现对复杂数据集的学习,同时丰富的数据和大量的计算资源、有效的学习算法也赋予其强力的特征学习能力。深度学习已逐渐在机器人视觉、故障诊断、货物分拣等制造应用领域发挥出重大作用。本文对深度学习中的自编码器、栈式自编码器模型及其在故障诊断领域的应用进行了研究。首先,针对制造数据的小数据集特性,对栈式自编码器模型进行了改进,通过将表示模型曲面上样本点的Jacobian矩阵的Frobenius范数作为收缩罚项,加入到交叉熵损失函数的模型优化目标中,在降低训练误差的同时,增强表示模型的平滑性,降低了整体模型的复杂性以防止过拟合。最终得到更加平滑、鲁棒的收缩栈式自编码器模型。其次,针对制造数据集间的相关性特性,对自编码器进行了改进。提出利用不同位置特征的重要性信息的加权自编码器模型,并利用粒子群算法计算特征权重向量;然后对加权自编码器模型进行堆叠,得到栈式加权自编码器模型,从而实现对数据集不同维度重要性的平衡,并将一个数据集所学习到的特征有效性信息迁移到另一数据集的应用上。最后将本文提出的两个改进模型应用到凯斯西储大学的旋转轴承振动信号故障诊断工程实例中,并与深度学习领域中的栈式自编码器、栈式降噪自编码器、栈式稀疏自编码器模型进行了比较,取得更优、更鲁棒的模型应用效果。同时,通过对收缩栈式自编码器模型和栈式加权自编码器模型的分析,检验了模型表现与设计思想的吻合,从而验证了所设计的模型在解决相关特性的数据集上的有效性。