深度学习模型作为一种具有强大特征提取能力的学习工具,由于其特殊的网络结构能够深层次挖掘原始数据中所隐含的信息,为过程故障识别模型提供了新的范式。因此,本文主要研究了针对复杂多变量工况系统提出了两种基于深度学习模型的故障识别方法,并通过田纳西-伊斯曼(TE)过程对所提出的方法进行了仿真实验,由实验结果对所提出方法的有效性进行了分析。针对现代工业过程的运行状态数据呈现的多模态,非线性、单个类型样本数据量偏少等特性,提出了基于三种数据动态扩展(独立成分分析(ICA)、主成分分析(PCA)、添加高斯噪声(Gaussian Noise))的卷积神经网络(CNN)的工业过程故障识别模型。首先,通过选取故障变量进行数据重构并对训练集进行数据扩展;然后,将预处理后的数据输入到构建的卷积神经网络模型中,观察其训练效果;最后,通过过程故障数据的识别效果验证了数据扩展后的CNN模型识别方法的合理性和有效性,而对于输入故障变量结构发生变化时的识别效果说明了CNN模型的局限性。针对CNN模型的局限性、故障变量特征提取效率低、同时分类数量较少且故障识别率较低等问题,提出了基于非对称卷积核(Asymmetric Convolutions)的卷积神经网络(CNN)的工业过程故障识别模型。该模型采取故障变量重构对故障数据进行预处理;对处理后的故障数据随机选取训练集并对不同类别的故障数据进行标签;引入了非对称卷积核模型对输入故障变量进行特征提取,提高了特征提取的效率;根据CNN模型改进得到的具有AC架构的AC-CNN模型来识别TE(田纳西-伊斯曼)过程故障的在线测试集样本,实验结果表明所提出的方法对TE过程故障数据集的识别效果明显,论证了模型的有效型和优异型。