过程监测技术在维护生产安全、保证产品质量上起到了关键作用,是现代工业过程中的重要组成部分。故障诊断是过程监测中的重要环节,用于提取过程中的故障信息,从而帮助工程师进行故障定位和故障恢复。随着工业生产规模日趋扩大,工业过程也日益复杂,传统线性方法难以处理实际过程中的诊断任务,因此,针对非线性过程的故障诊断方法的研究成为了过程监测领域重要的研究课题。近年来,以深度学习为代表的数据挖掘智能呈井喷式发展,这使得从过程数据中获取复杂非线性过程特征和故障信息成为可能。然而,由于受限于基于深度学习模型的可解释性,基于深度学习的故障诊断一直难以实现可解释的识别与溯源。本文以深度神经网络模型为切入点,研究基于贡献度的非线性故障诊断方法,主要研究内容如下:（1）针对离线故障数据处理问题,提出了一种基于序列判别特征挖掘网络的工业过程离线故障模式聚类方法。该特征挖掘网络包含贡献率序列预测网络和局部信息挖掘网络两部分。其中,贡献率序列预测网络通过一组贡献率进行监督训练,局部信息挖掘网络则进一步通过对输入和邻域样本进行重构和预测,深度挖掘数据中的局部信息。所用的邻域样本基于动态时间规整的相似度进行选择,并且为了降低邻域样本选取过程的时耗,设计了一种带预筛选的并行邻域样本选择策略。最后在所得判别特征上训练高斯混合模型,得到了更精确故障聚类结果。（2）针对多模态非线性过程监测任务,提出了混合序列网络用于过程特征提取,并构建了过程监测指标。该混合序列网络由编码器、模态识别网络和解码器三部分组成。其中,编码器由循环神经网络组成,用于提取序列数据的动态特征;模态识别网络用于进行数据模态的识别;解码器则由多个子解码器构成,用于对单个模态中的特征进行提纯,防止各个模态的过程信息出现混淆。此外,基于混合序列网络,设计加权重构误差和加权贡献图以进行在线故障检测和诊断,在多模态非线性过程的监测任务中表现出了更好的性能。（3）针对非线性过程故障诊断问题,基于深度学习模型自编码器,提出了一种基于局部线性反向传播贡献度的非线性过程故障诊断方法。该方法利用训练好的自编码器构建局部线性模型,并且结合基于重构贡献度的思想以抑制由故障信息传播引起的故障污染效应,优化了用于故障诊断的贡献度指标,提升了故障诊断准确度。（4）为了更有效地利用自编码器提取的特征来处理过程非线性问题,提出了一种基于自适应半正定矩阵的故障诊断算法。该方法通过对隐层输出的估计以优化局部线性模型的构建过程。并且为了减少变量冗余,在贡献度指标的计算过程中加入一个基于最大信息系数的自适应相关性权重矩阵,进一步提升了诊断性能。（5）在强动态性的非线性过程中,故障信息随时间推移在各个变量间动态传播,从而严重影响传统方法的故障诊断性能。针对此问题,提出了一种基于深度动态残差空间的故障诊断方法。该方法通过基于门控循环单元的自回归网络计算预测残差,将原始数据转换至深度动态残差空间。为了对预测残差中的剩余过程信息进行有效提取,进一步构建动态主元分析模型,并基于重构贡献度进行故障诊断。该方法削弱了过程动态性对故障诊断的影响,给出了更高的诊断精度。