随着工业无人化、智能化、数字化的快速发展,工厂中的机械设备运行状态监测与诊断显得尤为重要。传统的人工巡检手段存在检测效率低、费时费力等问题。因此,基于振动、声发射等传感手段的机械设备状态识别与故障诊断方法被广泛研究与应用。相比于基于振动传感需要接触式部署于待测设备,声学传感通过麦克风采集声音来判断被测目标状态,具有设备成本较低、非接触检测、可实时在线监测等优势。针对工业复杂环境下机械异常声特征提取困难,时序异常识别率低等问题,提出了一种基于双通道自监督编码器（Dual Channel Self-supervised Auto-Encoder,DCSS-AE）的机械声异常检测方法。接着,考虑到自动编码器通过重建数据的训练方式学得的特征无法有效区分正常/异常声音,提出了一种基于掩码自编码器（Mask Auto-Encoder,MAE）的机械声音异常检测。主要内容如下:（1）针对传统深度自编码器无法有效提取声音信号的时频信息,设计了双向循环网络和全连接网络构成的双通道编码器压缩正常信号,实现正常声的时序信息和频域信息的深度提取与融合,同时设计自监督分类器引导上述双通道自编码器的训练,提升其提取的时频特征对于异常检测任务的有效性。实验使用MIMII数据集上的风扇、水泵、阀门、滑轨四种机械声音数据进行验证,得到平均AUC检测结果为0.810,与DCASE2020 Challenge Task2的基线系统结果相比提高11.8%,尤其是非稳态数据集上提升达19.2%。（2）考虑到以数据重建方式训练得到的自编码器模型对于机械正常/异常检测能力有限,以一维卷积神经网络作为模型主干提出了一种基于掩码自编码器的机械声音异常检测方法。针对声音信号具有时序和频域两个维度的特点,对数据分别进行了帧级掩码和频域掩码处理后作为网络的输入,网络的训练以输入数据的重建损失和数据遮掩部分的生成损失作为目标函数。该方法增加了网络训练的难度,可以有效利用卷积神经网络特征提取的能力,进而使模型学习生成正常样本被遮掩的信息,提升了网络区分正常/异常样本的能力。该方法仍在MIMII数据集上进行了实验验证,得到平均AUC检测结果为0.870,验证了该方法在机械声音异常检测任务上的有效性。