多联机空调系统耗能已经成为我国建筑耗能的重要部分。建立用于多联机空调系统电子膨胀阀和压缩机回液的故障识别模型以减少建筑物能源浪费以及满足人们对日益提高的舒适度和系统运行稳定性的要求是非常必要的。同时,为了解决故障识别过程中目标样本数量少、数据分布不均衡问题和不同分布问题,导致传统模型泛化能力低,本文提出了一种基于深度迁移学习模型的电子膨胀阀和压缩机回液故障识别新方法。本研究进行了12组实验,获取了电子膨胀阀故障数据和压缩机正常运行和回液故障数据,以分析不同分布数据和目标样本数据少且不平衡数据的故障识别结果。首先,本文分别部署了基于三种常用的深度迁移学习算法的多联机空调系统二分类故障识别和多分类故障识别,分别是迁移自适应增强算法（TrAdaBoost）、深度神经网络迁移算法（DNN-TL）和联合分布适应算法（JDA）。然后对其中的深度学习迁移模型进行关键参数优化,最后从准确率、灵敏度、特异度和命中率等评价指标对模型进行分析,且与有监督算法模型,极限梯度提升（XGBoost）,深度神经网络（DNN）和卷积神经网络（CNN）进行对比。结果表明,一方面,与传统有监督学习算法模型进行对比时,TrAdaBoost相较于XGBoost准确率提高46%-51%。DNN-TL相较于DNN提高1%-4%。另一方面,三种不同方式的深度迁移学习算法进行二分类和多分类故障识别结果对比时,TrAdaBoost相较于DNN-TL提高2%-9%,TrAdaBoost相较于JDA提高38%-55%。TrAdaBoost模型效果总体略好于DNN-TL,这表明深度迁移学习模型具有更强的泛化能力,对具有不同分布的数据任务诊断效果好。最后,随着训练数据大小的增加,DNN-TL的准确性较DNN提高8%左右,而对于所有训练数据大小,尤其是在电子膨胀阀故障识别小型训练数据中,TrAdaBoost的模型准确率明显高于DNN-TL,这证明了TrAdaBoost对小型训练数据进行迁移学习的优势。综上所述,深度迁移学习模型能显著提高多联机空调系统故障识别,并且能够在目标数据较少的情况下,能够通过学习相似数据提高故障识别准确率,对实际系统中数据监测不完整、数据标记耗费人力物力等实际问题提供了一种解决方案。随着计算机硬件设备的升级和深度迁移学习技术的发展,本文提出的深度迁移学习模型在多联机空调系统故障识别及相关领域具有一定的研究和应用价值。