为满足机械化、智能化的时代要求,工业系统逐渐走向精密化和复杂化。反映机械系统运行机理和状态的数据具有海量、不确定、多源异构、价值低等“大数据”特征,传统的信号处理办法对于机械故障信号往往是从时频域信息去构造特征实现故障诊断,具有一定的空间局限性,无法从复杂、高维的大数据信号中提炼出有价值的特征。针对这一问题,本文研究在机械故障领域的大数据挖掘技术,以机械设备中常用的离心泵为研究对象,采用平行因子分析算法（PARAFAC）对离心泵故障数据进行特征工程处理,根据深度学习理论构建卷积神经网络（CNN）,实现离心泵模式分类诊断。具体工作内容如下:（1）针对传统时频处理方法在复杂多维的非线性信号特征提取上存在忽略时空信息的局限性,采用平行因子分析对多通道离心泵信号进行特征提取,引入核一致性估计法确定三维平行因子模型的组分数,减小数据处理的误差。其次,采用可视化降维技术t-SNE将平行因子分析提取特征进行聚类展示,以及改进的粒子群优化算法（IPSO）优化概率神经网络（PNN）参数对离心泵模式识别分类,结果表明基于平行因子对离心泵系统整体信号分解提取的故障特征与离心泵各故障模式在时间、频率、空间上呈现出映射关系,验证了平行因子算法在复杂信号非线性特征提取上的可行性。（2）针对复杂机械系统运行工况下采集的信号具有多源多维的特性,结合深度学习理论中的卷积神经网络对离心泵信号进行分类诊断。首先,从原始振动信号上采用一维卷积神经网络对离心泵模式识别,详细分析不同的卷积网络深度对信号特征处理的表现效果,实验结果表明含有3层隐藏层（两层卷积、一层池化）的卷积神经网络在离心泵故障模式的诊断中效果良好。基于该卷积网络结构和平行因子分析算法搭建的PARAFAC-2DCNN离心泵故障诊断模型,在分类效果上较传统的神经网络取得不错的提升。