航空发动机附件机匣（以下简称“航空发附机匣”）是飞机传动系统中的重要部件。随着机匣的服役时间延长,性能缓慢退化,机匣发生事故风险逐渐增大。因此,如何准确诊断航空发附机匣故障对军用、民用飞机的运维至关重要。传统故障诊断使用人工观测的方式,存在准确率低、工作量大等问题。为解决这些问题,智能诊断技术应运而生,它能根据机械运行时产生的振动信号诊断出机械是否正常。近年来深度学习技术在机械故障诊断领域显示出巨大潜力,但是受航空发附机匣数据采集现场的多种因素影响,故障数据和信息获取不足,导致现有的深度学习方法无法满足实际诊断要求。本文提出基于多种深度学习策略的故障诊断方法,工作内容包括以下三方面:（1）提出了一种基于多通道多尺度的时频图像故障诊断集成方法,解决航空发附机匣因机体庞大导致单一通道信息不足,和机台共振导致数据中包含随机噪声的问题。在发附机匣设备上部署多方位传感器,获取多通道振动信号。对于每个通道的振动信号做时频分析处理,获取时域和频域结合的特征表示。最后利用集成学习综合每个通道模型结果,提升故障预测概率。还采用基于注意力机制和多尺度卷积核的神经网络,捕捉高低频特征的范围,有效抑制输入信号中的高频噪声,突出故障的关键特征。（2）提出了一种基于图关系与元学习的小样本故障诊断方法,解决故障数据不足导致的模型准确率低,及迁移学习中的模型泛化能力差和需要反复微调的问题。模型训练策略是利用元学习从源域数据中提取通用元知识,使模型应对新任务时可以快速收敛。网络模型包含特征提取网络和图学习网络。首先提取故障特征,然后以元任务为单元构建图,并利用图神经网络的消息传递机制预测未知样本的故障类别。将从源域学习到的特征提取网络参数和图的表征迁移至新任务上,来提高小样本情况下的故障识别率。（3）提出了一种基于个性化联邦学习的故障诊断方法,解决航空发附机匣的数据隐私与安全性问题。该方法包含多个客户端和一个服务端。每个客户端模型使用数据增强和故障诊断方法训练局部模型。服务端将所有局部模型聚合为全局模型。本文提出一种新的个性化聚合算法,为每个客户端订制模型参数聚合的权重,提高全局模型在每个客户端上的识别率。经过多轮训练得到最优的全局模型,过程中保证数据不共享,只共享模型参数。综上,本文从航空发附机匣故障信息不足出发,针对三个实际问题,提出基于深度学习的航空发附机匣故障诊断策略。实验结果表明,本文方法在相应任务中的表现均优于同类方法。