随着传感技术与机器学习的快速发展,近年来深度学习已成功地应用到流程工业故障诊断领域之中。与浅层神经网络相比,这些模型具有更好的复杂建模能力。在实际生产过程中一些噪声以及反馈系统普遍存在,动态地对系统实施监控是化工流程稳定运行的保障。对于长期的实时应用来说,过程动态的信息非常重要,在模型构建过程中应予以保留。虽然传统的编码器-解码器网络表现出了提取时间依赖性的能力,但该架构将输入序列编码成固定长度的内部表示。在考虑相对较长的输入序列时,这限制了该网络的性能。虽然长短时神经网络能够有效捕捉长时序列特征但由于网络输入层将实域信息压缩成固定长度,随着时序的增长网络依然会出现梯度消失和梯度爆炸的问题。针对这一问题,首先提出了一种基于深度卷积双向编码器-解码器表示网络与门控循环单元的时空特征提取方法,用于动态故障诊断。针对传统循环神经网络在提取空间依赖性方面存在很大的问题,设计了一种时空卷积运算的设计该结构能够有效提取出序列中故障敏感的空间-时域局部特征。通过双向编码器-解码器网络结合前后序列来表征系统动态,从未来时间步长中提炼出表征。此外,在编码器和解码器中部署了门控循环单元,通过减少门控结构,获得了比传统循环网络更紧凑的网络拓扑结构。由此产生的深度网络不仅概括了时间特征的重要性,而且还可以同时进行可解释的特征表示和分类。然后,引入了注意力机制提出了一种用于复杂化工过程数据故障诊断的注意力增强机制。与传统的故障诊断和分类方法不同,注意力层能够检测并关注局部时间信息。所形成的深度网络不仅保留了每个局部实例上的重要性和贡献,而且可以同时进行可解释的特征表示和分类。详细的对比研究表明,所开发的模型在Tennessee Eastman基准测试过程中与其他几种方法具有竞争力。最后提出了一种基于深度编码器-解码器网络与自注意力机制的动态故障检测与诊断技术。采用自关注机制对局部特征向量进行加权,保留信号局部信息与过程运行状态之间的相关性,从而提取有效的特征向量。然后将提取的特征输入到双向编码器-解码器网络中。由此形成的深度网络不仅概括了局部时间特征的重要性,而且可以同时实现可解释的特征表示和分类。在基准Tennessee Eastman流程上的实验表明,所提出的模型在接收机工作特性（ROC）和精确召回（PR）曲线上的诊断性能优于基于卷积层的长短期记忆（LSTM）网络的经典诊断方法。