机械装备是船舶的主要组成部件,其平稳运行对于船舶运营安全性与可靠性等都具有重要的意义。然而,由于机械装备受到复杂工作环境、不当操作条件等因素的影响,其容易发生结构损伤、健康退化等问题,从而引发重大安全事故,造成巨大损失。为了保障船舶运营的安全性与可靠性,开展机械装备的寿命预测和故障诊断技术研究刻不容缓。随着人工智能技术,特别是深度学习的快速发展,探索将深度学习应用于机械装备寿命预测与故障诊断是一个非常值得关注的研究方向。本文研究基于深度学习的机械装备寿命预测与故障诊断关键技术,主要研究内容和创新点如下:（1）针对目前装备寿命预测方法存在的泛化性较差和预测精度不足的问题,提出一种融合深度双向循环神经网络的集成模型框架。在该集成模型框架中,构建多个网络结构各异的双向循环神经网络,实现从前后方向多个维度挖掘时间序列数据中的长期相关性,并设计一种新的损失函数,以评估网络模型的训练偏差;接着,使用一种基于回归决策树的集成学习方法对网络模型的预测结果进行融合,提高模型的预测精度和泛化性能。最后,采用发动机数据集对所提出的方法进行验证。结果显示:提出的方法能够对在役发动机的剩余使用寿命进行准确预测,性能优于现有方法。（2）针对现有故障诊断方法对带标签故障数据需求量大,诊断模型只对特定操作条件有效的问题,提出一种基于深度迁移学习的机械装备故障诊断方法。该方法引入对抗机制,从源域和目标域提取高维特征表达,并利用自适应层使源域和目标域的特征分布更接近。此外,提出的方法还可以充分利用有限数据,对跨工况和跨场景任务下的机械装备进行准确的故障诊断。提出的方法在滚动轴承和齿轮箱等对象上进行验证。结果显示:提出的方法可以直接从振动信号中提取域不变特征,在多种运行工况和少量无标签故障样本的条件下,实现对机械装备的高精度故障诊断。（3）针对现有故障诊断模型难以适用于装备未知故障的难题,提出一种基于类别增量学习的故障诊断模型自增长训练方法。该方法通过引入“知识蒸馏”技术,设计一种交叉蒸馏损失函数,对已有的故障诊断模型进行自适应更新调整。在保证模型对旧有类别的诊断精度不下降的情况下,实现对新故障类别的自学习,达到故障诊断模型知识的自增长。开展多组齿轮箱多故障模拟实验,对提出的自增长模型进行案例验证。结果显示:提出的方法可以实现故障诊断模型对齿轮箱多种故障模式的自增长学习,在大幅减少训练时间的情况下依然具有较高的故障诊断精度。