在很多经典的深度学习网络模型中,多尺度特征融合结构都发挥着重要作用。多尺度意味着在不同粒度下对信号数据进行观察。当粒度更大更稀疏时,网络能够学到整体的趋势,获得全局性的高层特征;当粒度更小更密集时,网络能够学到更多的细节,获得局部性的底层特征。将不同粒度学习到的特征通过独特的空间通道均衡方法融合在一起,促使网络同时注重纹理和结构,从而保证模型的高效性和鲁棒性。在本研究中,我们将主要聚焦于深度神经网络中的多尺度特征融合技术,结合计算机视觉领域里的图像修复问题和工业4.0时代下的机械智能诊断问题,针对性地创新网络结构及其算法。同时我们还对多尺度特征融合技术的内涵和发展进行了详细的综述,对目前流行且于本研究具有借鉴意义的经典网络架构做出了介绍。具体而言,本文的研究内容可以概括为:（1）针对图像存在局部损坏或者缺失的数据集进行数据增广（Data Augmentation）的问题,我们首先将其归类到图像修复领域,问题的难点就是如何在保证图像修复效果的同时,复用图像修复模型中的解码器部分实现数据增广。为此我们把目光从对抗生成网络转移到自编码器,提出了多尺度特征均衡融合的多层次变分自编码器（Multilevel VAE for Image Inpainting,MVAE-FI）,改变了传统自编码器单一层级的结构,提升了模型的生成能力,并且在编解码器之间引入多尺度特征均衡融合模块,鼓励模型关注图像细节纹理和整体语义特征。实验结果表明MVAE-FI无论是在图像修复的直观视觉效果上还是在可量化的评价指标上,都有着令人满意的效果,与此同时通过复用MVAE-FI中的解码器可以实现数据增广的目标。（2）机械智能诊断领域中模型的诊断能力与其规模大小成正相关性,然而计算量较大的模型很难实际应用于工业生产环境中,针对如何平衡模型诊断能力与其规模的难题,我们首先提出了多尺度特征融合的密集连接深度神经网络（Multi-scale Feature Fusion Densely Connected Deep Network,MSDC-NET）,利用多尺度特征融合技术增强了模型的感受野,通过密集连接技术避免了模型出现梯度爆炸的问题。最终网络整体架构和局部残差构件都经过精心设计的MSDC-NET模型,在三类数据集上的表现都远远超出目前主流的机械智能诊断算法。紧接着,我们在具有高精度分类水平的MSDCNET模型的基础之上,对轻量级CNN模型进行了知识蒸馏,使其诊断准确率大幅提高。由于轻量级CNN模型所需的计算和存储设备要求远远低于深度网络,从而对机械智能诊断技术在工业实践中的推广起到了积极的作用。