随着工业生产不断向高速化、规模化、自动化方向发展,工业过程的安全运行受到越来越多的重视。由于现代工业过程呈现复杂的非线性、时变性、时空耦合特点,传统故障检测和诊断算法较难直接应用现有的工业过程中。近年来,工业数据储量的日益增长和人工智能理论与技术的日益成熟,使得数据驱动的故障检测和诊断算法备受关注。深度学习是一种利用深层的神经网络模型自动挖掘数据中的深层信息的数据驱动方法,因此将深度学习引入工业过程故障检测和诊断中已是如今研究的热点。本文即以此为背景展开研究,主要的研究工作和成果如下:（1）在复杂的工业过程系统中,变量之间存在非线性、长时间跨度影响、耦合关系复杂等特征。为解决传统模型对长时间跨度影响不敏感、难以处理变量之间耦合关系的问题,本文提出了一种基于时间卷积、残差结构和注意力机制的工业过程故障检测算法。该算法采用残差时间卷积结构对不同变量之间的长、短期相关特征进行提取,把握变量之间的长时间跨度信息。同时,引入注意力机制表征不同变量在不同时序下的重要程度,更好地选择关键特征。实验结果表明,该算法能够有效地提取数据的时空信息,得到更好的检测准确率,且能够满足工业过程实时性的要求。（2）针对基于卷积神经网络的故障诊断模型在处理工业过程数据时存在的特征信息无法完全有效提取、模型性能有待提升的问题,本文提出了一种基于格拉姆角场和多尺度特征提取的工业过程故障诊断算法。该算法利用格拉姆角场对多维时间序列数据进行转化,得到新的数据结构表示。并且,构建多尺度卷积网络模型,充分挖掘数据的深层特征并把握数据的主要特征。实验结果表明,该算法对时空特征的转化、选择、提取表现出良好的性能,有效地提高了故障诊断的准确率,为复杂工业故障诊断问题提供了一种切实可行的方案。（3）现有的基于深度学习的时空序列算法要求输入数据为图像序列,或变量之间呈现的是物理意义上的空间距离,但是工业过程数据中不同变量之间体现的是更为复杂的相关关系,因此现有的时空序列算法无法直接推广应用到工业过程故障诊断中。针对上述问题,本文提出了一种基于最大信息系数和残差图卷积网络的工业过程故障诊断算法。该算法提出了一种基于最大信息系数的图邻接矩阵生成方法,实现了对不同类型变量之间的空间相关关系的衡量。同时,提出了一种深度残差图卷积网络模型,该模型能够自动提取、深度挖掘数据中的时空融合特征,并对其精准分类。实验结果表明,该算法非常有效地提高了故障识别的准确率,为图卷积在工业故障诊断中的实现提供了一种行之有效的解决思路。