隔膜泵作为广泛应用于矿浆物料输送领域的大型机械,是输送流程中的核心设备。如何根据隔膜泵运行状态进行故障的精准预测已成为当前的研究热点问题。传统隔膜泵故障诊断方法过分依赖一线技术人员的相关技术积累,诊断过程繁琐、精度低且容易造成资源的浪费。而利用深度学习理论构建成熟的隔膜泵故障诊断体系能够很好解决这些问题。因此本文主要利用深度学习开展基于振动信号的隔膜泵故障诊断工作,主要工作如下:（1）针对隔膜泵振动信号的预处理方法进行研究。分析了隔膜泵振动信号的分布特点,针对冗余数据量过多降低训练效率的问题,通过对比分析引入随进森林降维算法在保障数据有效性的基础上降低输入数据维度;针对采集的时域信息不同故障类型特征区分不明显的问题,根据信号的分布特性引入连续小波变换进行时频分析,充分提升故障类型特征辨识度。（2）针对基于深度学习的隔膜泵故障诊断方法进行研究。针对隔膜泵振动信号时频图的分布特点,探究了一种融合了混合域注意力机制的残差卷积神经网络。以实际实验中采集的振动信号为基础,利用探究的模型与故障诊断领域的常用模型开展实验分析,实验表明,该模型能够在高效实现对隔膜泵故障诊断的同时,充分验证了诊断模型的鲁棒性。（3）针对隔膜泵时序性智能故障诊断方法进行研究。分析了隔膜泵时序性故障检测问题的研究难点,针对已有模型利用前序信号对后序隔膜泵故障预测效率低下的问题,在原有模型的基础上引入了多尺度特征提取模块和Bi LSTM模块,构建了多尺度卷积循环神经网络模型。进行了相应的诊断对比实验验证。诊断结果表明,构建的模型对隔膜泵的故障识别准确率提升了12.219%的同时,避免了诊断过程中的过拟合问题。