在空调故障诊断领域,训练样本过少问题是监督学习方法难以处理的,已有学者利用无监督学习生成对抗网络模型（Generative Adversarial Network,GAN）生成故障样本,但缺乏合适的评估框架判断生成数据的优劣。本研究工作针对该问题提出了两种评估框架对生成样本进行评价,评估框架使用异常检测方式筛选出符合标准的高质量生成样本。高质量生成样本填充训练池后,利用监督学习技术在故障诊断领域可以达到相当高的精度。具体的研究内容包括如下两个方面:（1）面向空调故障诊断的CWGAN-GP-VAE框架针对故障训练数据少的问题,提出一种基于CWGAN-GP（Conditional Wasserstein Generative Adversarial Nets with Gradient Penalty）的故障生成手段。对判别器添加梯度惩罚约束条件的CWGAN-GP可以在稳定模型训练的同时更好地指导训练进程从而生成大量样本。针对CWGAN-GP可以根据少量数据生成大量数据但是大量数据质量难以保证的问题,提出利用变分自编码器（Variational Auto-Encoder,VAE）从大量生成数据中筛选出高质量样本的方案。VAE使用重建样本误差阈值作为判断生成数据是否高质量的标准。本研究工作将CWGAN-GP和VAE相结合,提出了改进的CWGAN-GP-VAE空调故障诊断框架。在ASHRAE项目数据集上的实验表明,改进的CWGAN-GP-VAE框架可以在数据量较少时显著提高故障诊断的精度。（2）面向空调故障诊断的CWGAN-GP-GANomaly框架针对CWGAN-GP可以根据少量样本生成大量数据但是大量数据质量难以保证的问题,提出利用GANomaly从大量生成数据中筛选出高质量样本的方案。GANomaly采用异常检测的方式筛选高质量生成样本,其摒弃了以往基于自编码器常用的通过对比原样本与重建样本差异作为诊断异常的方法,取而代之采用原样本和重建样本在高一层抽象空间中的差异,而这一层的额外的抽象处理可以使整个结构具备较高的抗噪声干扰能力,提高异常检测模型的鲁棒性。在ASHRAE项目数据集上的实验表明,改进的CWGAN-GP-GANomaly框架可以在数据量少时进一步提高故障诊断的精度。