框架结构作为机械领域的基础设备,其安全与稳定往往是决定机械系统是否可以安全运转的重要因素,因此对框架结构进行综合故障诊断具有重大安全意义。为了能够精确的对框架结构做出损伤程度诊断和故障定位,本文采取自适应特征提取的深度学习方法对框架结构进行综合故障诊断研究。首先,针对于框架结构的体型庞大与组成机构较多,其局部发生损伤时并不会导致整体发生严重故障的问题,采取了基于ITICNN（Improving Convolution Neural Networks with Training Interference）的框架结构损伤程度诊断二分类方法。以不列颠哥伦比亚大学框架结构振动数据为基础,使用二分类的方法对框架结构损伤程度进行了实验研究,实验结果表明:采取的ITICNN二分类方法不仅可以有效的诊断出框架结构的损伤程度,而且对相似的损伤程度能进行明显的区分。其次,为了精确地诊断出框架结构发生损伤的位置,使用了一种基于局部稀疏结构的卷积神经网络——BICNN（Convolution Neural Network Based on Inception）,以及一种基于BICNN的集成式框架结构损伤位置诊断方法。运用所提方法对框架结构进行了损伤位置诊断实验研究。实验结果表明:采用提出的BICNN对框架结构损伤位置进行诊断时,不仅正确率可达97.38%,而且具有一定的抗噪声能力,从而验证了本文所提出的集成式故障诊断方法的有效性。再次,为了对噪声环境下的框架结构进行精确的故障诊断,本文在采取了CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）分解的基础上,提出了一种自适应小波降噪算法。该算法能够对样本熵较大的IMF（Intrinsic Mode Function）分量进行有效的降噪,从而降低信号中的高频噪声。为了弥补高频特征信息减少带来的缺陷,使用LSTM（Long Short-Term Memory）进行特征加强学习,并与ITICNN和BICNN结合,对噪声环境下的框架结构进行了故障诊断实验研究。研究结果表明:提出的故障诊断方法在对框架结构损伤程度诊断时具有更高的区分度,对框架结构损伤位置诊断精度可达99.93%。最后,针对于极短极少量数据无法采取重复采样数据增强的问题,提出了一种以Dropout为基本原理的数据增强方法,以BP（Back Propagation）神经网络数据驱动的方式,采取麻雀优化算法,对两种诊断结果进行了融合,得到了85.64%的融合精度,验证了所提方法在较短数据增强方面的有效性。