有杆抽油方法是目前国内应用最为广泛的一种人工举升方法。由于地下情况复杂,工作条件恶劣等原因,及时掌握井下故障情况并采取合适的措施对油田正常生产有重要意义。利用计算机结合地面示功图诊断工况是目前较为常用的一种方法,但由于地面示功图包含信息较少,只能诊断井下工况等问题,使利用地面示功图进行诊断的方法难以进一步深入。随着人工神经网络的发展,卷积神经网络因为其在图像识别的优势,使得卷积神经网络从众多类型的人工神经网络之中脱颖而出,但由于缺乏对卷积神经网络的研究改进,使得现有的卷积神经网络模型并不完全适用于地面示功图的识别和分类,限制了有杆抽油系统智能诊断方法的研究。本文采用多种信息综合进行故障诊断的思路对地面示功图进行改进,建立了包含载荷、位移和电流三种参数的电流组合示功图,电流组合示功图能够有效弥补地面示功图信息不足的缺点,并且利用电流信息,能够识别出地面故障工况。本文对经典的卷积神经网络进行改进,提出了D-Net网络模型,该模型拥有7层网络。D-Net网络模型能够应用于电流组合示功图的诊断识别中。并结合电流组合示功图和D-Net网络模型开发出了应用于油田现场的油井工况智能监测系统。基于上述研究,本文结合油田现场数据,整理建立了电流组合示功图图集,并分类出9种经典工况;改进的卷积神经网络模型D-Net网络模型包含了3层卷积层,2层池化层,2层全连接层,将其应用到电流组合示功图中,实验证明,D-Net网络的准确率达到99.92%,应用效果优于另外三种网络,证明了D-Net网路的优越性;使用四种网络模型,对地面示功图和电流组合示功图进行了对比实验,电流组合示功图实验结果都优于地面示功图,证明了电流组合示功图的优势;开发出的杆抽油系统故障诊断智能软件在投入使用后,能够有效的识别现场出现的故障工况,并反馈给现场人员,每种工况的准确率都在90%以上,证明现场应用效果优异。