随着信息化水平的提高,热工过程中运行数据的获取和储存越来越方便,而自联想神经网络作为一种非线性神经网络建模方法已经成为研究热点,在热工过程中得到广泛应用。本文针对自联想神经网络建模、故障诊断以及迁移方法进行研究,研究内容如下:针对热工过程建模受样本分布影响较大的问题,提出了一种高质量样本提取方法,该方法以主成分为依据,计算出系统级稳态因子,并以此作为稳态权重进行样本约简,进一步根据约简后样本的权重进行少数类样本过采样,最终得到均衡的高质量样本。以燃气轮机系统为算例验证了所提方法在建模与诊断方面的有效性,结果表明:利用高质量样本建模时训练速度更快,且能改善样本不均衡带来的模型精度下降和不均问题,可以为实时诊断提供良好的建模样本。提出了一种基于补偿型自联想神经网络CAANN故障诊断方法,通过在网络模型中加入补偿层,使得模型先补偿后重构,实现故障准确定位和分离,以此来抑制故障诊断过程中的残差污染问题。此外,为解决CAANN实时性较差的问题,提出一种基于快速分支界限法的补偿型自联想神经网络RB&B-CAANN,仿真算例和燃气轮机算例结果表明RB&B-CAANN在保证故障诊出率的基础上,大大地降低了误诊率,同时加快了诊断速度,可以满足在线故障诊断要求。提出了一种基于残差的空间对齐迁移学习算法RSA,以实现热工过程仿真数据与实际运行数据之间的知识迁移与信息融合,由此建立的系统模型不但具有较广的工况覆盖范围,而且能够保证模型与实际运行状况的一致性,从而大大提升模型的实际应用效果。采用数学算例以及燃气轮机的仿真数据和运行数据进行迁移,结果表明迁移数据同时具有仿真数据泛化特性和运行数据的热工特性。开发了故障预警平台,其所用数据来源为电厂SIS。故障预警平台利用本文所提出的RB&B-CAANN方法进行实时故障预警,给出了软件设计思想、系统构架与运行流程。