永磁同步电机由于其转动惯量小、功率密度高等优点正广泛应用于实际生产生活中。而匝间短路故障是一种常见的、破坏性强的故障,而且容易引发其他并发故障。如果不能在故障早期及时发现并加以控制,将会导致非常严重的后果,轻则影响电机运行效率,重则电机损坏停工停产,带来不可估量的人力、物力损失。本文基于上述背景对永磁同步电机匝间短路故障进行深入研究,面对复杂的工业生产环境中匝间短路故障数据存在的微小故障数据、数据分布不均衡以及数据质量低等问题,结合深度学习技术提出了一种基于堆叠稀疏自编码网络的匝间短路故障诊断算法:（1）围绕负序电流和电磁转矩构建匝间短路故障诊断数据集。通过建立永磁同步电机故障数学模型,分析故障机理并研究故障发生时特征量变化情况,结合仿真分析验证负序电流和电磁转矩在不同程度故障下的表现,并将其作为表征故障的主要特征构建数据集。（2）将深度学习引入电机故障诊断过程,提出了基于堆叠稀疏自编码网络的故障诊断算法,通过该算法提取故障数据中隐藏的抽象特征,弥补了传统信号变换方法对于轻微故障难以检测的不足。（3）从距离度量的角度优化故障诊断算法,提出了一种具有孪生结构的堆叠稀疏自编码网络,该算法通过距离衡量不同样本间的相似性,从而改善了普通堆叠稀疏自编码网络在不均衡数据集即小样本问题下故障诊断能力不足的问题。（4）考虑到电机工作环境存在差异,实际工况下收集的故障数据集存在质量低、数量少等问题,针对这一现象提出了一种结合联邦架构的堆叠稀疏自编码网络,通过多个电机数据集聚合学习,互相迁移学习知识,削弱低质量数据集带来的影响,使得全局模型拥有较强的泛化能力。通过实验分析验证了以上算法的可行性与有效性,基于堆叠稀疏自编码网络的故障诊断模型可以细致地反应电机运行状态,同时具备广泛部署在智能制造系统中的条件。