在可持续发展战略的推动下,永磁同步电机（Permanent Magnet Synchronous Motor,PMSM）凭借其结构简单、体积小和可靠性强等优势在新能源、工业生产以及发电等诸多领域被广泛使用。匝间短路是永磁同步电机应用中比较常见且破坏性极强的故障类型,如果不能及时发现并解决会加重电机损坏程度,甚至会威胁人身安全和造成严重的经济损失。利用人工智能技术对电机进行实时故障监测和诊断,对最小化故障造成的损失和提高电机的可靠性及安全性具有重大意义。因此,本文将永磁同步电机匝间短路故障特征提取和故障诊断作为主要研究对象,提出了基于深度堆叠自编码网络的电机故障诊断方法,主要研究内容如下:（1）首先分析了PMSM的组成结构和运行原理,然后根据永磁同步电机的abc和dq坐标系模型,推导并构建了电机A相匝间短路的数学模型。深入研究了电机故障的起因,以及故障发生时电机的物理变化,并通过仿真实验确定将电磁转矩和负序电流作为表征电机匝间短路故障的特征量。（2）研究了自动编码器及其扩展模型,为克服普通自编码器总会提取相似特征的问题,引入了标准化稀疏自编码器（Normalized Sparse Autoencoder,NSAE）,以实现从不同故障样本数据中提取有区分度的特征。（3）提出了一种基于NSAE和降噪自动编码器（Denoising Autoencoder,DAE）的深度堆叠网络模型,该模型能够提取故障数据中的不同特征,解决了浅层神经网络模型中特征学习能力不足的问题,同时增强了网络的稀疏性和鲁棒性。通过实验验证了该故障诊断模型的有效性和可行性,故障诊断准确率最高可达96.88%,且相比于传统方法和其他浅层的机器学习方法,该模型在故障特征提取以及故障诊断上更具有优越性。（4）考虑到实际工业生产中匝间短路故障样本缺乏、数据质量较差和数据不平衡等问题,采用联邦学习（Federated Learning,FL）框架来训练提出的深度堆叠网络模型。提出了一种改进的动态验证FL算法,先通过计算全局模型在辅助数据集上的故障诊断精度,对具有不平衡分布的低质量客户端进行筛选和剔除,再采用改进的粒子群算法对参与聚合的客户端权重进行系数寻优,提升联邦学习体系下聚合策略的鲁棒性。实验结果表明,提出的算法在数据不平衡的情况下,相比于联邦平均（Federated Average,Fed Avg）算法具有更好的诊断性能,产生的通信成本更低,并且有效抑制了模型训练中出现的局部振荡。