电动助力转向系统(Electric Power Steering,EPS)是汽车的关键部件,其传动平稳性决定了驾乘体验,故EPS的异响诊断具有重要研究意义。针对目前EPS异响诊断方法漏检率高的问题,根据转向机振动信号特征,以深度学习算法为主要技术手段,辅助无监督预处理、机器学习、统计学理论等领域知识,提出能处理不均衡样本、一维二维卷积神经网络(Convolutional Neural Networks,CNN)级联、普适稳态工况和上升工况的EPS异响诊断方法,以满足工业要求,论文主要研究工作包括:基于转向机振动信号处理的理论基础,对两种常用的浅层故障诊断方法:支持向量机(Support Vector Machine,SVM)方法和遗传算法(Genetic Algorithm,GA)优化的神经网络方法,分别进行理论和实验分析,并与深度学习故障诊断算法进行结果对比。针对稳态工况下转向机噪声的一维时域信号,采用孤立森林算法进行数据集均衡预处理,并提出较为基础的CNN诊断方法(EPS1D-I);为进一步提升诊断准确率,提出融合模块化、残差、drop-path、多分支等优秀结构的改进CNN方法(EPS1D-II)。研究时频图变换理论,针对转向机的稳态振动信号,进行小波变换、维格纳-威尔(WVD)变换、希尔伯特黄(HHT)变换的对比实验以及变换方法优选,并提出基于VGG-19的基础时频图故障诊断方法,为进一步提升诊断准确率,对网络结构进行优化,提出基于Inception＿Resnet＿v2的改进时频图故障诊断方法。针对上升工况下转向机噪声的一维时域信号,提出基于长短期记忆网络(Long ShortTerm Memory,LSTM)的异常诊断方法,并从理论和实验两方面来验证LSTM方法适用于处理上升工况下的转向机振动信号。提出样本均衡、数据集增强、迁移学习等训练优化方法解决数据样本小的问题。为降低漏检率,投票级联一维时域信号CNN诊断和二维时频图CNN诊断。设计多工况故障诊断系统——稳态工况下:孤立森林预处理联合一维二维级联诊断,上升工况下:基于LSTM的异常诊断方法。最后,基于QT和tensorflow开发诊断系统,并介绍系统应用方法。