智能生产是新一代智能制造的重要组成部分,作业车间调度也是智能生产系统高效运行的关键环节之一。与传统的制造车间相比,柔性车间可以有效地组织加工设备、加工材料和生产管理。在实际生产制造过程中,车间的环境复杂多变,随机到货、机器故障、订单取消等动态事件时有发生。为了保证生产系统的稳定性及系统对扰动反应的灵活性,本文研究了机器故障下的柔性作业车间动态调度问题（Dynamic Flexible Job Shop Scheduling Problem,DFJSP）,针对不同的优化目标建立动态调度模型,深入分析和研究动态重调度策略以及求解算法。以下为本文的主要研究内容:（1）针对本文研究的机器故障下的DFJSP进行了深入分析和总结。首先详细描述了机器故障下的DFJSP;其次根据DFJSP的特点进行了分类总结,介绍了动态调度的重调度策略,并研究分析了多目标DFJSP的求解方法;最后考虑具体的生产需求确定不同的性能指标,形成求解机器故障下的DFJSP的整体框架。（2）基于改进帝国竞争算法（Imperialist Competitive Algorithm,ICA）的机器故障下DFJSP研究。首先,从现代制造企业智能车间生产实际情况出发,针对机器故障下的DFJSP,建立以最大完工时间、加工能耗、总延迟时间为目标的DFJSP优化模型;其次,对机器发生故障后,采用事件驱动的动态调度策略进行重调度,并提出改进的ICA求解此类问题;最后,通过生产实例求解以及对比其他算法的实验结果,验证了该算法的有效性。（3）基于卷积神经网络（Convolutional Neural Network,CNN）的机器故障下DFJSP研究。针对机器故障下的DFJSP,建立了以最大完成时间和鲁棒性为目标的优化模型。为了使调度方案具有良好的鲁棒性,将机器故障的影响降到最低,提出了一种基于CNN的两阶段算法,第一阶段是通过CNN训练预测模型;第二阶段是通过第一阶段训练的模型来预测调度的鲁棒性。首先,在上述研究的基础上,采用改进ICA来生成训练数据;其次,提出了由CNN构建的预测模型,并设计了一种称为RMn的替代度量来评估鲁棒性。实验结果表明,提出的基于卷积神经网络两阶段算法对求解此类DFJSP是有效的。