随着涡旋压缩机在各个领域的广泛应用,作为工作系统中的重要组成部分,其运行状态的好坏直接影响整个工作的效率和质量,但由于涡旋压缩机属于新兴流体机械,其特殊机体结构产生的非线性、非平稳的故障信号并未建立完善的数据库,故此针对涡旋压缩机出现的故障进行研究至关重要。本文结合涡旋压缩机的运行原理及振动信号的特点,将深度学习引入涡旋压缩机的故障诊断研究中,提出了一种基于时频图和卷积神经网络的故障诊断方法,实现对涡旋压缩机故障类型的识别分类。文章主要研究内容如下:（1）研究了涡旋压缩机的工作原理及振动信号产生的机理。首先对其运行原理以及内部构造进行了描述,其次通过研究其结构机理与工作原理对其振动信号的成分进行了分析,最后阐述了涡旋压缩机在故障诊断研究中存在的难点。（2）研究了时频分析方法和卷积神经网络。介绍了短时傅里叶变换、小波变换和Hilbert-Huang变换等时频分析方法,构造两组仿真信号,通过对比不同时频分析方法的特征表达效果,结果表明复Morlet小波基函数具有最好的时频分析效果;其次介绍了卷积神经网络的基本原理和结构,并对卷积神经网络的训练流程进行了说明,鉴于卷积神经网络对于二维图像优秀识别能力,可以将其作为涡旋压缩机故障诊断的神经网络。（3）时频图结合卷积神经网络解决涡旋压缩机故障诊断问题。搭建了一套基于软件平台和传感器等相关硬件组成的信号采集系统,收集涡旋压缩机的故障振动信号,并将振动信号应用小波变换转化为时频图,预处理后作为卷积神经网络的输入,训练卷积神经网络,以此实现故障类型的识别分类。实验结果表明,本文所提的涡旋压缩机故障诊断方法具有更高的准确率。