在石油生产过程中,抽油机井的工作环境十分复杂,不但受到抽油机、杆、泵这些机器配件的综合因素影响,还受到井内各类的物理环境因素的影响,使得抽油机的故障种类较多且难以检测。通过示功图分析法来判断抽油机故障,快速定位故障成因,一直以来是抽油机故障诊断的主要方法。然而传统的示功图分类识别方法依赖人工经验特征建模,需要较强的先验知识。本文基于深度学习的特征提取与学习能力,提出了自学习示功图特征分类识别的思路,通过学习示功图的隐含特征,实现示功图分类识别,并对模型进行轻量化改进,通过强化学习的方式增强了模型的鲁棒性,使得示功图识别模型实际在嵌入式设备上移植应用成为可能。本文的具体工作及创新包括:首先对示功图传统特征工程方法进行了总结,设计了相应的特征提取与特征融合方法。利用OpenCV进行示功图复杂特征的提取,在特征的选取上除了选用在图像识别非常有效的图像矩特征,还用位移载荷的工程参数来弥补图像矩的全局局限性。采用特征融合的方法对特征进行处理,提高了示功图识别准确率,通过分类对比验证了基于融合特征识别示功图方法的有效性。其次为了解决示功图识别在深度学习中存在的小样本问题,设计了自编码器来进行样本增强,构建了本文的示功图数据集。在此数据集的基础上,通过借鉴经典网络结构思路,设计实验对比分析了各项模型参数对模型识别率和收敛性的影响,设计出适用于示功图分类识别的网络模型,还提出了基于自编码器编码层的参数初始化方法提升了模型的收敛性能。最后针对示功图识别的深度学习方法在边缘端嵌入式设备上的实际应用,提出了模型的轻量化和强化学习方案。利用的MobileNet网络的思路,对构建的模型进行卷积层分解,降低参数量和计算量,并设计以Actor-Critic强化学习策略为核心的嵌入式设备的强化学习方案,保留训练知识的情况下对新知识进行学习以微调模型,并给出了参数调整的性能对比,以适配不同的实际需求。