随着人们日常生产生活对石油资源的依赖越来越高,需要加大石油开采的力度,其中抽油机是最常见的采油设备。由于井下工况复杂多变导致故障频发,不及时检修会带来经济损失甚至人身安全的危险,因此对抽油机进行故障诊断十分重要。示功图变化是抽油机故障诊断的主要依据,从人工经验发展到机器学习的方法进行故障诊断,但是仍然难以满足工业需求。近年来随着深度学习的发展,越来越多的研究者将深度学习方法应用于工业数据,因此本文在卷积神经网络（Convolutional neural network,CNN）的基础上进行抽油机故障诊断的方法研究。主要包括了以下几个内容:（1）针对故障数据出现的数据不平衡问题,提出了一种样本不平衡样本的学习策略。使用焦点损失函数的方法来增大训练过程中不平衡类样本的权重,并且能够对易分类样本权重进行抑制,难分类样本权重进行激励,使模型在不平衡类样本的分类正确率得到提升。（2）针对故障数据利用不充分的问题,提出了一种多信息融合的方法。首先建立双源特征提取结构,能够一定程度的保留双源特征的独立性与差异性。然后将不同深度网络输出的特征图进行多层次特征融合,使分类层输入的特征向量既包括高级语义特征又包括浅层纹理特征。（3）针对故障诊断模型出现泛化能力差和过拟合的问题,提出了改进的Mixup平面空间插值的数据增广方法（Plane Mixup,P-Mixup）,能够以平面空间插值的方式得到更丰富的邻域分布样本。标签平滑的方法能够改善softmax过度信任标签向量的缺点,并且能够有效的缓解模型的过拟合问题。（4）依据本文所提出的方法,基于Python语言开发抽油机故障诊断的软件,该软件能够对未标记样本进行故障类别预测。除此之外,还能够在前端界面修改超参数,选择样本和自适应选择模型,能够降低使用人员的使用深度学习解决实际问题的门槛。本文在油田实际生产数据进行实验验证,最终结果证明了本文所提方法的有效性。