舵机被广泛应用于航空航天、船舰等领域,作为一种伺服驱动器,在姿态变化和舵向控制发挥着重要的作用。为了保证设备的正常运行,针对舵机故障的智能检测具有实际意义。目前,舵机测试设备的自动化使测量参数更加便捷和可靠,但人工分析大量的数据不但耗费时间而且准确率不能得到保证。论文引入深度学习来对舵机参数进行测试和分析,构建基于深度学习的舵机故障诊断模型。利用该模型实现舵机测试数据的特征提取和分类,推动舵机故障诊断技术向着自动化、智能化的方向发展。首先,针对舵机数据样本不均衡,存在小样本分类效果差的问题,构建了基于卷积神经网络的舵机数据特征提取模型（2DFMCNN）。提出将一维的舵机测试数据升级为二维数据,赋予数据空间信息,增加网络的数据特征提取能力,并且构建了局部特征学习（FM）模块来增加网络对数据内部特征的学习,最终确立了2DFMCNN特征提取模型对舵机数据进行学习和分析,实验结果表明在小样本的情况下,样本依旧能被正确分类且优于其他对比模型,表明该模型提高了对数据的特征提取能力。其次,针对传统卷积神经网络中输出层参数较多以及分类器分类能力有限的问题,提出用支持向量机（SVM）代替Softmax分类器;采用2DFMCNN特征提取模型对数据特征进行深度提取,弥补了SVM对深度特征提取不充分的问题;采用海鸥算法对SVM中的参数c和g进行自适应寻优,避免了人为对SVM参数的干扰。最后确立了基于深度学习与海鸥算法优化支持向量机的故障诊断模型。从模型的分类能力和优化算法的寻优能力两方面进行了对比实验。实验结果表明,该模型具有优异的性能,解决了卷积神经网络最终分类器能力不足以及SVM参数选择问题,提高了舵机故障诊断的准确度和效率。论文基于深度学习的理论和技术构建了舵机故障诊断模型,减轻了人工分析数据的工作量,高效的完成了对舵机的故障诊断,提高了舵机故障诊断的效率和准确率。