基于数据驱动的故障诊断方法有利于强化建筑保障支撑体系,实现建筑信息化构建,逐渐成为暖通空调（Heating,Ventilating and Air Conditioning,HVAC）系统的研究热点。多联机（Variable Refrigerant Flow,VRF）空调自动化程度高,自身具备一定的数据收集和传输能力,是探究空调系统数据驱动故障诊断研究的重要途径。因此,本文提出了一种基于混合深度森林的故障诊断方法,并设计多联机制冷剂充注量实验验证方法的可行性。针对现有故障诊断研究将数据预处理的重点聚集于特征提取,对空调系统异常值缺少深入分析的问题,本文在两次特征选择的基础上,通过孤立森林模型（Isolation Forest,IF）检测系统异常值。研究对比了5种诊断模型剔除异常值前后的性能以验证IF模型的可靠性,并结合箱线图对空调关键特征进行可视化分析,解释了多联机系统异常值的实际意义。结果表明,较初始模型,5种改进模型的诊断准确率均有提高,且多联机系统异常值主要为除霜数据。较箱线图法,IF模型通过子样本集构建检测模型,能够避免长期采样下,空调系统周期性除霜引发的掩蔽问题,更适用于空调系统异常值检测任务。针对主流模型依赖大量传感器实现高精度诊断、深度神经网络超参数优化策略复杂、耗时的问题,本文将一种基于非神经网络的深度学习模型-级联森林（Cascade Forest,CF）引入空调系统故障诊断领域。研究从低维诊断性能和超参数鲁棒性的角度对级联森林和4种主流诊断模型:BP神经网络（Back Propagation Neural Network,BPNN）、支持向量机（Support Vector Machine,SVM）、多层感知机（Multi-Layer Perceptron,MLP）、长短时记忆神经网络（Long Short-Term Memory,LSTM）的结果进行分析。结果表明,研究提出的IF-CF模型在低维输入特征下的诊断性能更强,适用于传感器较少、输入信息不全的多联机故障诊断任务。6维输入特征下,IF-CF模型的准确率为94.16%,较IF-BPNN、IF-SVM、IF-MLP和IF-LSTM模型,分别提高了10.02%、5.87%、5.26%、3.34%。同时,IF-CF模型的超参数优化策略较为简单,鲁棒性更强。不同超参数配置下,IF-CF模型最大准确率差仅2.04%,且运行时间低于IF-BPNN、IF-MLP和IF-LSTM模型。综上所述,本文提出的基于混合深度森林的故障诊断方法能够有效剔除多联机异常数据,解释异常值实际意义,为空调系统异常值检测任务提供了理论支撑。同时,方法快速、稳定、适用于传感器较少、输入信息不全的诊断任务,在建筑空调实际诊断体系构建中具有一定的应用价值。