得益于信息化智能化的发展趋势，更多的传感器被部署到工业过程中，这使得工业过程中采集到的过程数据变得更加丰富也更加复杂。因此，基于数据驱动的故障诊断技术在学术界和工业界得到了广泛的关注，成为了过程监测领域的研究热点。然而，实际工业过程采集到的数据大比例标签缺失、维度高、价值密度低等问题，使得传统的模式识别分类方法难以基于这些数据训练出可以进行有效故障识别的高精度故障分类模型。本文将深度学习方法应用于故障诊断领域，研究了基于半监督阶梯网络的故障分类方法。从对半监督阶梯网络分类决策部分进行改进的角度，在已有经典有监督分类算法基础上提出了基于半监督阶梯网络特征提取和多模型融合的故障分类方法;从对半监督阶梯网络进行跨层结构优化的角度，提出了半监督残差阶梯网络和半监督密集阶梯网络;从算法应用角度，将本文提出的算法应用于空调系统的故障诊断中。　　本文主要的研究工作和成果如下:　　1)针对工业过程中有标签故障数据少、样本特征区分度不强的问题，为了获得具有更好分类性能的故障分类模型，通过对半监督阶梯网络分类决策部分进行改进，提出了两种基于半监督阶梯网络特征提取与多模型融合的故障分类模型。模型利用半监督阶梯网络可以同时学习有标签样本的标签信息和无标签样本的数据分布信息的特点，将半监督阶梯网络视为一个可训练半监督特征提取器，通过与传统分类器进行组合的方式，解决传统分类器对样本特征区分度要求较高和半监督阶梯网络分类层分类机制较简单的问题。此外为了减少由于分类器不同、数据集数据分布不同产生的影响，模型在各基础分类器基础上还分别引入了投票式和堆栈式多模型融合算法。实验结果证明了所提出的基于半监督阶梯网络特征提取与多模型融合的故障分类模型的有效性和稳定性，其中基于堆栈式融合的故障分类模型效果更好也更稳定，可以获得比原始半监督阶梯网络更好的分类结果。　　2)针对改进半监督阶梯网络分类决策邵分所得模型结构复杂且训练与分类环节相脱离的问题，为了获得具有更好分类性能的分类器，尝试简化模型流程，基于原始半监督阶梯网络提出了半监督残差阶梯网络和半监督密集阶梯网络两个故障分类模型，通过对网络结构和损失函数的优化来获得更好的分类性能。本文中延伸了半监督阶梯网络中信息跨层传递的思想，通过引入残差网络的残差连接和密集网络的密集连接来加强网络内部的信息传递和特征复用，实现网络结构的改进。此外，为了避免出现有噪声有监督损失下降，而无噪声有监督损失升高的情况，确保损失函数优化方向与最终的分类目标一致，通过在原始损失函数中引入无噪声编码过程有监督损失项的方式，实现损失函数的改进。实验证明，本文提出的跨层结构优化算法好于原始的半监督阶梯网络，并好于其他传统分类方法，其中最大化阶梯网络内部信息流的半监督密集阶梯网络分类效果最为出色。　　3)为解决空调系统故障数据小比例有标签情况下的故障分类问题，从实际应用角度出发，将本文研究的故障分类算法应用于空调系统的故障诊断中。基于UTC开利公司提供的多联变水量风冷式空调系统，针对该系统中室内机压差控制回路、室外机压差控制回路以及室外机出水温度控制回路设计并仿真模拟了9个不同类型的故障，由此搭建空调系统故障数据集。实验结果证明了本文提出的故障分类算法的有效性和优越性，其中基于跨层结构优化的半监督密集阶梯网络的分类效果最为出色，具有较高的应用价值。