数字电液控制系统（Digital Electric-Hydraulic Control System,DEH系统）作为汽轮机的调节系统,其液压部分元件长期工作于高温、高压等相对恶劣的极端环境中,不可避免地会出现各种故障。汽轮机机组能否一直维持稳定状态主要由汽轮机DEH系统决定,利用各种传感器技术对DEH系统进行状态监测,并基于监测数据进行相应的故障检测与诊断,能够有效避免汽轮机机组发生灾难性事故。目前,深度学习方法已经成功应用于故障诊断领域,但此类方法对训练数据提出了较高的要求。首先,要求数据量充足且数据质量高;其次,训练与测试数据要求来自同一工况条件。只有同时满足以上条件,才能保证诊断模型的有效性。而在实际情况下,由于各种环境因素的影响,所采集的数据往往来自于不同的工况,并且所采集的数据存在着严重的类别不平衡现象。针对汽轮机DEH系统故障诊断中存在的不平衡和多工况问题,本文的主要研究内容如下:（1）针对传统ACGAN模型无法生成高质量样本数据的问题,提出了基于改进ACGAN的不平衡故障诊断方法。该方法通过引入EM距离和梯度惩罚项提升了模型的稳定性,并采用卷积神经网络用于特征提取,提高了生成模型学习原始数据分布特征的能力。在DEH系统仿真数据集上的实验结果表明,利用改进ACGAN模型实现数据增强后,训练的故障诊断模型具有更好的故障诊断效果,该方法在数据增强方面具有较好的性能。（2）针对传统域自适应方法提取域不变特征能力不足的问题,提出了基于改进对抗域自适应的故障诊断方法。该方法在DANN结构的基础上,通过引入MMD距离用以辅助对抗迁移,进一步缩小领域之间的差异,并且采用Transformer模块代替卷积层来构造特征提取器,弥补了卷积神经网络获取长距离特征能力不足的问题,进而实现获取不同领域中的深度域不变特征。在DEH系统仿真数据集上的实验结果表明,相较于传统的DAN、DANN等方法,本文提出的改进对抗域自适应方法在跨域故障诊断问题上具有一定的优越性,特别是在目标域数据不足的情况下,该方法具有更强的泛化能力。此外,通过结合本文提出的两种方法,能够有效解决数据不平衡与多工况问题下的故障诊断问题。