潜油电泵作为一种常见的人工举升装置,由于其强提液能力广泛应用在海上油田。由于海洋环境复杂,潜油电泵故障种类繁多,故障数据匮乏等原因,潜油电泵故障诊断方法难以在海上油田进行有效的应用,存在着一定的局限性。在广泛调研了国内外相关领域研究成果的基础上,本文分析了潜油电泵常见故障模式的参数变化情况,并对海上油田潜油电泵参数特征提取及故障诊断方法进行了研究。首先,针对潜油电泵电流信号诊断时,难以有效的在线诊断与定量分析等问题,提出了一种需要极少超参数调节的稀疏滤波特征提取方法,该方法对多种工况电流信号进行了有效的特征提取与模式识别,得到了一个准确、高效的实时诊断模型,通过对现场数据进行分析,验证了该方法的有效性。其次,基于现场标签数据匮乏的情况,对稀疏滤波方法进行拓展与改进,提出了一种多视角半监督稀疏滤波（MVSSF）特征学习方法。MVSSF方法首先对少量有标签数据和大量无标签数据进行不同长度的截取,分别得到不同视角下的信号特征,并将信号特征进行融合,最后通过半监督学习的方法对无标签数据进行利用,实现了通过少量标签数据对故障进行特征提取的目的。利用海上油田的现场数据对该方法进行了验证,证明了该方法的可行性。最后,面向潜油电泵振动信号故障诊断方法超参数调节过多,模型更新困难,难以现场应用等问题,提出了一种基于功率谱密度和卷积神经网络的PSD-CNN故障诊断方法,通过功率谱密度实现振动信号的特征提取,并基于批量标准化卷积神经网络（CNN-BN）进行模式识别,以实现潜油电泵的故障诊断。该方法通过极少的超参数调节即可得到有着明显区分度的特征。通过对潜油电泵多种工况的现场数据进行分析,对所提出的方法进行了验证,为该方法的现场推广提供了一定的支持。