异步电机作为生产、生活中重要动力来源之一,频繁启停、过载运行、部件磨损失效等均易引发电机故障,容易造成安全生产事故、经济损失等严重后果,因此对电机故障诊断技术进行深入研究具有重要意义。本文针对现有电机智能诊断算法在变工况下诊断效果不佳且单一信号诊断结果不可靠问题,引入信号分析、深度学习、迁移学习与信息融合方法,对异步电机的故障诊断算法展开研究。主要研究内容如下:（1）基于传统机器学习的故障诊断方法依赖专业经验选取统计特征,诊断结果受人为因素影响较大,针对这一问题,研究基于深度残差网络的电机故障诊断方法。设计不同模式的三相电流输入策略,建立特征自适应提取的深度学习电机故障诊断模型,使深度残差网络能够更有效的提取电机电流信号的故障深度特征。实验结果表明,深度学习相对于传统机器学习可自动挖掘深度特征,应用于电机故障诊断时诊断准确率高于传统机器学习算法。（2）电机实际运行时工况复杂多变,信号故障特征空间分布易随工况变化而变化,导致故障诊断模型的诊断准确率下降。针对这一问题,研究深度迁移学习方法,设计了基于参数迁移与基于特征迁移的两种变工况电机故障诊断模型,考虑从模型参数调整和特征空间分布适配两个角度提升诊断模型的变工况适应能力。实验分析可知,采用两种迁移算法均能提高算法在变工况下故障诊断的准确率,其中特征迁移模型的诊断效果优于参数迁移模型。（3）电机故障包含电气故障与机械故障,仅采用电流信号容易造成机械类故障的误识别。针对这一问题,将振动信号与电流信号同时用于电机故障诊断,建立基于多源信息融合的电机故障诊断模型,分别利用深度残差网络对电流信号与振动信号进行特征提取与诊断识别,在此基础上,引入多源信息决策层融合方法,利用改进的D-S证据理论对识别结果进行融合并输出最终分类结果。实验分析可知,基于多源信息融合的深度学习电机故障诊断方法可提高诊断结果的可靠性。