空调系统是公共建筑的主要耗能设备之一。由于故障导致的空调系统不必要能耗损失率高达30%,因此开展空调系统故障诊断研究,保障空调系统正常、可靠、高效运行是非常重要的。尽管已有数据驱动空调系统故障诊断方法研究取得了较好的发展,然而其实际应用效果受历史建模数据的质量、运行工况含括范围等因素的影响较大。实际空调系统历史数据很难包含全部运行工况和全部机组形式。利用特定空调系统形式和某些局部工况数据建立故障诊断模型,在面对新工况或其他空调形式的运行数据时,模型故障诊断性能可能会降低甚至失效。因此,开展空调故障诊断方法在较宽广的不同运行工况和不同机组形式间的模型推广泛化能力提升、模型适用性改善是具有较强的研究价值和工程应用背景。鉴于此,本研究基于迁移学习构建了对不同空调运行工况和不同空调系统机组形式可泛化推广的空调系统故障诊断模型。通过采用两种层次（浅层和深度）的五种不同类型迁移学习方法,构建了两类迁移场景（跨不同空调运行工况间和跨不同空调系统机组形式间的空调系统故障诊断）,选用多种评价指标（故障诊断准确率、精度率、召回率、F1分数和混淆矩阵）进行故障诊断性能评价,对比筛选出更为合理的迁移学习空调系统故障诊断方法,分析迁移任务的设置、训练集内源域和目标域数据量变化等因素对迁移效果的影响,验证迁移学习在空调系统故障诊断应用领域的有效性和适用性。对于第一类迁移场景（不同空调运行工况间）,采用ASHARE RP-1043离心式冷水机组的故障实验数据设置六种迁移任务,分别对五种迁移学习方法(两种浅层迁移学习方法:迁移成分分析（TCA,Transfer Component Analysis）和联合分布自适应方法（JDA,Joint Distribution Adaptation）;与三种深度迁移学习方法:微调（FT,Finetune）,领域自适应网络（Da NN,Domain adaptation Neural Network）和域对抗网络（DANN,Domain Adversarial Neural Network）进行建模验证。对于第二类迁移场景（不同空调系统机组形式间）,采用某实际螺杆式冷水机组和RP-1043离心式冷水机组的正常与故障数据设置两种迁移任务,主要对三种深度迁移学习方法进行建模验证。验证结果表明,两类迁移场景下的八种迁移任务,应用迁移学习方法均可一定程度改进空调系统故障诊断性能与泛化能力。整体来看,深度迁移学习方法优于浅层迁移学习方法。其中,采用深度迁移学习的微调（FT）方法获得故障诊断准确率最高,故障诊断准确率均值为97%。针对两类迁移场景（不同空调运行工况间和不同空调系统机组形式间）下的八个迁移任务,采用深度迁移学习的微调（FT）方法获得的平均故障诊断准确率提升为55%。