故障检测与诊断方法是实现液体火箭发动机健康监控的基础,具有重要的理论和工程研究价值。然而,其在研究发展过程中,一直受到故障数据不足、故障特征表示困难等问题的困扰。卷积神经网络具有强大的特征学习能力,以该模型为代表的基于深度学习的故障检测与诊断方法是未来的重要发展方向之一。在此背景下,论文以某大型液体火箭发动机为主要研究对象,以基于卷积神经网络的数据特征自动提取方法和基于单类支持向量机的异常检测方法为主要理论与技术基础,以发动机状态监测、故障检测和诊断方法为重点研究内容,展开了系统深入的研究工作。针对已有传统状态监测方法,对经验知识和特征工程依赖程度高,特征提取与表示难度大、研发成本高等问题,以Le Net-5的模型结构为原型,提出基于卷积神经网络的发动机状态监测方法,并利用超声速燃烧试验数据对方法有效性进行验证。研究结果表明,该方法能够充分发挥卷积神经网络的特征学习能力,可以直接从原始数据中自动提取数据特征,并完成对发动机工作状态的准确识别;与其他方法的研究结果比较分析表明,基于深层架构的方法对发动机状态的识别效果,明显优于基于浅层架构和传统机器学习的方法;特征工程能够有限弥补浅层模型和传统机器学习方法在特征学习方面的不足,但相比基于卷积神经网络的状态监测方法仍然有明显差距。针对液体火箭发动机故障模式多样、故障样本稀少,难以建立完备的故障模式库等现实困难,提出基于卷积自编码器和单类支持向量机（Convolutional AutoEncoder and One-class Support Vector Machine,CAE-1SVM）的液体火箭发动机故障检测方法,其中卷积自编码器用于自动提取数据特征,单类支持向量机基于数据特征对发动机工作状态进行检测。分别利用发动机起动过程和稳态过程的地面试车数据对方法的有效性进行验证,并系统讨论模型容量和样本长度对方法性能的影响。研究结果表明,所发展的方法能够及时、有效地实现发动机故障检测,与其他方法相比具有显著优势,特别是对于缓变故障,能够及时发现数据中故障早期的微弱异常,大大提前了故障报警时间;卷积自编码器的模型容量应与数据集规模互相匹配,避免出现过拟合或欠拟合现象;增大样本长度有利于提高方法的检测性能,但会推迟执行首次检测的时间。在基于CAE-1SVM的故障检测方法基础上,进一步挖掘卷积自编码器重构误差中的有效信息,构建诊断指标“重构误差的相对均方根”,提出基于卷积自编码器重构误差分析的无监督故障诊断方法,并利用发动机稳态过程试车数据对方法进行验证。研究结果表明,所提诊断指标能够准确地跟踪各个参数偏离正常工况的程度;该诊断方法对于潜在故障的诊断能力有限,但对进入功能故障阶段的故障,可以准确实现部件级故障隔离。针对基于卷积自编码器重构误差分析的故障诊断方法存在的问题,结合液体火箭发动机的结构特点,进一步提出基于并行CAE-1SVM的“模块化”故障诊断方法,对各个模块中卷积自编码器的空间、时间复杂度进行定量分析,并利用发动机稳态过程试车数据进行验证。研究结果表明,该方法能够有效实现对潜在故障的检测,并同时实现对故障部件的隔离;各个模块中CAE的复杂度显著降低,能够有效提升诊断方法的整体运行效率。针对领域知识与液体火箭发动机故障检测与诊断方法相融合的问题,围绕健康监控领域的背景知识和监测知识,分别提出了适用于背景知识的“数据级”融合方法和适用于监测知识的“特征级”融合方法,并利用发动机稳态过程试车数据讨论两类知识融合后对故障检测和诊断方法的影响。研究结果表明,背景知识的“数据级”融合方法,能够将难以用数据或特征进行显式表达的背景知识,融入到试车数据中,并显著提高故障检测方法对潜在故障的敏感性;监测知识的“特征级”融合方法,可能会造成新特征对原始数据中有用信息的覆盖,选用不当反而会降低方法的检测与诊断能力。