无刷直流电机（Brushless DC Motor,BLDCM）在家用家电、工业自动化等领域有着广泛的应用,其能否正常、平稳的运行对经济发展、工业安全等方面有着很重要的作用。其中,匝间短路故障（Inter-turn Short Circuit Fault,ISCF）作为电机定子绕组不平衡的一种表现,在故障时会导致电机的振动、局部升温,严重时将会烧毁电机造成火灾,因而对电机的ISCF研究有着很重要的意义。本文通过短路BLDCM其中一相的部分定子绕组并串联连接一个电阻,来模拟该相的ISCF。先介绍仿真模型、仿真信号,并分析信号制作数据集,然后搭建一个传统的卷积神经网络来对比分析数据集的结果。之后根据仿真模型搭建实验平台并采集信号制作数据集,然后,介绍Alex Net和Goog Le Net模型的迁移学习方法,对比分析两种模型的分类结果,完成ISCF的故障相定位。最后,介绍使用故障相电流的多维时域统计特性和故障程度来做曲线拟合,从而完成ISCF的定量分析。具体实现步骤如下:第一步,同步采集电机的三相电流信号,根据三相电流对应RGB图片的三种颜色制作图片数据集。第二步,使用Goog Le Net的模型迁移学习,微调网络保证网络能够准确、快速的识别故障相。第三步,选取故障相电流的有效统计特性,使用多维统计特性与故障程度做曲线拟合,得到曲线即可根据多维统计特性确定故障程度大小。结合仿真数据分析与实验检验,证明了所提方法的可行性。文中所提方法在BLDCM的故障诊断中,由于不需要复杂的信号采集和提取过程,又具有低功耗、高精确等优势。因此对于永磁电机系统的定子绕组故障诊断,具有潜在的应用价值。