能够及时地对核反应堆出现的故障进行诊断对保证核反应堆安全稳定运行具有重要意义,现有核反应堆对于其工况类型的判断仍然主要依靠专家系统和操纵员的经验知识,缺乏自主诊断的能力。本文研究主要基于深度学习和迁移学习算法对核反应堆系统建立了故障诊断模型。为了建立故障诊断模型,本文提出以深度学习和迁移学习训练神经网络并建立故障诊断模型。通过调研技术路线和实验方法设计了故障诊断模型的整体框架:故障诊断模型数据获取与处理、数据训练和模型优化。通过CPR1000仿真模型获取故障数据并研究了基于SWPCA技术的数据预处理方法;研究了基于深度神经网络的故障诊断方案并通过Py Torch框架建立诊断模型,并对影响网络准确率、损失函数和计算时间的三类超参数进行了分类研究;利用调参后的诊断模型对不同工况下同种事故、满功率工况下不同种类事故和未经过训练集训练的工况进行了诊断研究;研究了故障诊断模型对于未在训练集中的标签的故障诊断方案,通过MMD度量不同故障工况数据之间的差异,在此基础上通过迁移学习和MMD度量拉近源域和目标域的分布距离。结果表明,通过对核反应堆运行数据时段选取和数据降维,实现了对事故时段数据和事故特征参数的提取,有效降低了数据维度,简化了神经网络的结构;深度神经网络诊断模型能够对已知标签的蒸汽发生器传热管破裂事故、冷却剂丧失事故、稳压器安全阀误开事故、给水丧失事故、主泵卡轴事故五种类型系统故障和三种功率的同种故障诊断准确率达99%以上,并且降维后的数据能够使诊断模型的计算时间减少20%;对于未在训练集中的不同工况的故障诊断准确率达86%以上;通过迁移学习改进后的模型对于已知的故障类型有自适应学习能力,并且对于未经训练的蒸汽发生器传热管破裂事故故障诊断情况诊断准确率达92%以上。通过研究本文的故障诊断模型能对已有类型的故障实现准确诊断并具备对未训练故障的自适应能力,能够为操纵员及时判断和干预提供了帮助,具有良好的应用价值。