故障诊断是保障智能制造过程中设备安全、高效运行的关键技术之一。实时性和精确性是判断故障诊断效果的重要指标。在实际的工业现场中,有标签的故障样本获取较为困难,而负载的改变也会导致采集到的数据质量偏低。深度学习作为一种有效的数据特征抽取工具,在数据驱动的故障诊断领域得到广泛应用,但深度学习故障诊断的实时性和精确性受到三个方面因素的影响,即数据的数量、数据的质量和数据的利用方式。一方面是有标签的故障数据往往较少,在小样本的情况下,已有数据不能充分利用导致特征提取不充分,从而影响故障诊断精度;另一方面,设备运行过程中负载的变化会导致数据特性差异,破坏数据的分布一致性,这一数据质量问题将会影响故障诊断的精确性。在无法获取设备精确机理模型的情况下,本文利用CNN（Convolutional Neural Networks）、LSTM（Long Short-Term Memory）、DNN（Deep Neural Networks）等深度学习方法作为特征抽取工具开展设备运行过程中的故障诊断问题研究,解决传统深度学习故障诊断中的数据的数量、质量和利用方式问题,从而保证故障诊断的实时性和精确性。本文的主要创新如下:（1）提出一种基于异构信息特征融合的深度学习故障诊断方法,以融合一维序列数据的自相关信息和二维图像数据的局部互相关信息,从而达到在样本数量有限的情况下充分挖掘小样本数据中所包含特征的目的,克服有限的数据不能充分利用导致特征提取不充分的问题。设备监控中心显示器上抓取的屏幕截图是一种实时的二维图像数据,隐藏了当前时间窗口内的信号变化趋势信息,这种实时的二维图像与一维序列数据储存形式不同,但都是对同一设备运行状态的监测。为了将所有可能获取到的不同类型的数据充分利用,该方法首先设计了一种新的带窥视孔连接的并行LSTM（Parallel LSTM with peephole,Pe LSTM）,解决传统LSTM对长序列数据的特征提取不充分问题;然后,设计了一种具有全局优化机制的深度特征融合网络,以充分融合Pe LSTM提取的一维序列自相关特征和CNN提取的二维屏幕截图互相关特征,从而提高故障诊断的精确性,而使用屏幕截图数据作为CNN的输入可以同时保证故障诊断的实时性。（2）提出一种基于多尺度递归特征融合的故障诊断方法,使得不同尺度的特征可以服务于最终分类结果,以克服小样本和数据质量不高情况下不能利用现有数据进行精确故障诊断的问题。多工况的存在破坏了深度学习所要求的数据独立同分布的假设,导致数据质量不高,因此势必会影响故障诊断的精确性。深度学习的特征提取是一个逐层抽象的过程,不同的抽象程度代表不同尺度的特征,如果只把最抽象的特征作为分类依据,那么会忽略其他尺度的信息,并且传统神经网络无法从可解释的角度将分类特征与结果进行联系,因此提出一种基于多尺度递归特征融合的故障诊断方法,该方法首先设计DNN多尺度特征融合门,融合深层神经网络不同层上的多尺度特征;然后基于门结构设计自适应的多尺度递归融合网络,减少逐层特征提取过程中信息丢失,实现更加精确的故障诊断;最后,利用逐层相关性传播（LRP）设计一种可解释的特征重要性指标,从可解释的角度说明本文设计的自适应多尺度递归融合DNN（Multi-scale module recursive fusion DNN,MMRDNN）的必要性和合理性。