液压系统作为现代工业重要的控制与传动形式,已经在汽车制造、航空航天与国防装备等领域具有不可替代的作用。随着液压系统本身和其工作环境的日趋复杂,液压系统能否稳定工作就变得愈发重要。而液压泵作为液压系统的核心部件,保证其正常工作,并对其泄漏状态做出及时的诊断就显得意义重大。本文以液压信号为研究对象,分别从机器学习与深度学习的方面对液压泵泄漏状态智能识别技术的相关算法进行了研究。依据液压信号的特征提取、特征选择与分类识别模型的相关原理,完成了相关程序的设计与分类识别模型的搭建,对液压泵的泄漏状态进行了识别。最后根据模型的识别结果计算了相关的性能指标,对各个模型方案进行了对比。主要研究内容如下:（1）为了尽可能完整提取与保留液压信号的特征信息,本文从时域、频域与时频域三个方面对四个通道的液压信号提取了23个特征进行表征。其中在时域中提取了液压信号12个特征,频域中提取了2个特征,时频域中通过希尔伯特黄变换与小波分解提取了9个特征。最后将四个通道型信号的特征进行了连接组合成液压信号92维的特征表达。（2）在使用多特征对液压信号进行表征时,可能出现信息冗余的情况,从而增加计算量并影响最终识别效果,于是需要对特征进行简约。本文研究了主成分分析、互信息与堆栈稀疏自编码的方法并编写相关程序对提取得到的特征进行简约。分别通过主成分分析,保留了贡献率超过99.99%的三个主成分作为新的特征表达;通过计算互信息值,筛选了互信息较高的80个特征作为新的特征表达;通过两层的堆栈稀疏自编码将原始特征降至8维作为新的特征表达。（3）优秀的分类识别模型是分类识别的关键,本文基于支持向量机、随机森林与极限学习机这三个传统模型的原理,搭建了对应的分类识别模型。分别使用三种特征简约之后的新特征作为三个识别模型的输入进行实验,通过计算并对比模型性能指标,得到了针对液压泵泄漏识别的最优识别方案。（4）深度学习是智能识别中一个性能优异的方法,本文基于卷积神经网络提出了一种一维卷积与特征融合的互扰神经网络对液压泵的泄漏状态进行识别。该互扰神经网络将一维卷积的特征与手工计算的特征进行融合,使得两类特征相互促进,得到更深层次的特征,从完成分类识别任务。通过对比提出的互扰神经网络与传统深度学习模型的识别结果的性能指标,验证了本文提出的互扰神经网络性能的有效性。