数据中心机房内存放着各种各样的设备,运行时伴随着大量的热负荷产生,设备硬件自身对环境温湿度控制精度要求较高,环境不适合可能导致硬件损坏。为了维持设备硬件正常工作的环境,数据机房必须设有24小时不间断稳定运行的精密空调。然而机房空调在长时间的运行中难免会发生故障,其中传感器故障很难及时发现。对于高维度、体量大、价值高的空调数据来说,基于数据驱动的故障检测方法近年来被广泛学者关注。本文研究对象为一台风冷行级精密空调,设有33个传感器。本文探究了主元分析模型和深度神经网络模型在空调传感器故障检测方面各自的性能及使用条件,然后根据机房空调故障检测要求的实时性和准确性,提出了一种结合主元分析和深度神经网络模型的故障检测方法。针对数据机房空调系统传感器测量数据之间相关性高的特点,测试主元分析故障检测模型的检测能力及其适用性,通过数据检验发现主元分析模型在单工况情况下对于不同程度、不同类型的故障都表现出了优异的检测异常的能力（87.86%-100%）,且检测故障的速度极快。但是,主元分析模型具有一定的工况适应性,即在同一工况下表现优异,在综合工况下表现欠佳。为了解决主元分析模型的工况适应性问题,将深度神经网络模型引入到空调系统传感器故障检测研究。本文首先将原始数据输入到深度神经网络模型中进行训练,故障检测效果为在72.64%-93.60%之间。然而,将主元分析得到的主元变量作为深度神经网络模型的输入时,平均故障检测效率从85.73%提高到92.67%。