现代工业生产的规模庞大,设备故障的隐患更多更复杂,安全事故对工业系统的威胁更大。建立故障诊断模型能够高效的定位设备故障,保证系统的安全生产。现在的故障诊断方法已经从针对简单系统的机理法,发展到了针对复杂系统的数据驱动方法,但仍然存在不足,比如,个别故障的特征相似,难以区别;数据中各类样本占比不平衡,影响模型的训练效果。因此,本文以工业生产系统为研究对象,基于监测的系统时序数据,通过深度学习建模,实现故障诊断。主要进行了以下研究工作:（1）考虑到采集数据样本受噪声污染的情况,针对现有的降噪算法在处理非平稳的时序数据不能有效分离出噪声的问题,本文对小波阈值降噪法进行了改良,提出了一种自适应阈值替代固定阈值的方法。该方法通过逐层改变阈值来去除噪声,在尽量保留有效信息的情况下,更加彻底的消除噪声的影响。仿真实验结果表明,改良后的降噪方法处理的含噪信号后,绘制的时序图中噪点明显更少,与原始信号的时序图整体形状更加相似。（2）工业设备采样到的数据样本中,部分故障之间差别较小,普通的故障诊断模型难以识别。针对这些问题本文提出了一种基于注意力机制改进的长期循环卷积网络（Attention-CNN-LSTM）故障诊断模型,该模型在输出层前添加了注意力层,使得模型能够关注不同故障间的微弱差别。同时模型结合了循环网络记忆历史状态的能力,与卷积网络提取高维静态特征的能力,使得模型能在高效处理大量数据的同时关注样本的动态性能。实验表明,优化后的模型较之于传统处理时序数据的长短时间记忆网络（Long Short Term,LSTM）方法,平均召回率提高了16.9%,平均准确率则提高了13.45%,能辨别出LSTM模型无法分辨的故障,并且在训练的效率上有明显的提升,目标函数的收敛速度更快且稳定,这表明了优化的建模方法面对复杂的时间序列数据时具有良好的表现。（3）在工业生产的真实情况下,故障的发生是小概率的,这就导致故障数据相对于正常数据而言更加稀缺,使故障诊断难度加大。针对这一问题,本文提出了一种基于深度卷积生成对抗网络的故障诊断方法（GAN-CNN-LSTM）,通过格拉姆角场（Gramian Angular Field,GAF）方法对序列数据进行图像化处理,再由生成对抗网络根据图像化后的样本数据合成补充样本,在数据层面缓解了数据不平衡的问题,提高了模型的故障诊断效果。实验表明,在小类样本占比大于20%的训练集中,加入合成的样本扩充后,能有效的提高模型对小类样本的识别能力。