VRF（变制冷剂流量多联机）空调系统是集中式空调系统的主要形式之一。建立一种准确而高效的VRF空调系统故障检测与诊断模型,对降低VRF系统的能耗具有重要的意义。本研究对VRF系统的多故障检测与诊断综合模型建立问题进行了探索,基于深度学习方法1-D CNN（一维卷积神经网络）建立了双故障检测及诊断综合模型,并对模型进行了分析与评价。本研究以供热条件下VRF气液分离器插反故障和制冷剂充注量故障实验为依据展开。实验在焓差实验室中进行,以采集两种系统故障情况下VRF系统的故障数据和正常数据为目的,借助实验结果从而可以从理论角度研究双故障检测和诊断建模。对实验数据进行的预处理包括数据清洗、归一化、类型标签设计及特征选择。数据集包含充注量故障、正常和气分插反故障3类需要检测的故障状态,和L-3～L+3共6种需要诊断的充注量故障等级。本研究建立了综合模型,它由1-D CNNa和1-D CNNb两种子模块组成,并针对VRF系统运行数据设置了网络结构参数。占75%的训练集用于单独训练训练1-D CNNa和1-D CNNb,并在占25%的测试集上共同验证。评估结果表明,1-D CNN综合模型获得了比基于BPNN、DT、DBN、SVM等算法建立的对比模型更好的结果,在训练集和测试集上都获得了最好的单故障检测、双故障综合检测和双故障综合诊断结果。研究进一步对1-D CNN综合模型采用网格搜索法优化了初始学习率、批次样本数、训练周期数,使模型总体使用效果提升。基于对故障检测和诊断结果的分析,本研究总结了问题的具体特点和建模经验。分析发现,双故障检测与诊断问题中,充注量故障检测和诊断比气分插反故障更难,而对于VRF系统故障检测和诊断模型问题,进行合理的问题划分、算法优选和兼顾总体和局部问题的特征选择,是提升综合模型总体精度的关键。本研究建立并获得了一个效果较好的1-D CNN双故障检测与诊断综合模型,并获了一些建模方法的经验,为后续研究中建成更全面的故障检测与诊断的综合模型奠定了基础。