军用车载电源是现代军队武器装备野外作战时的主要电能来源，其健康状态诊断作为一项确定车载电源运行状态的技术方法，可以及时评价设备的运行状态并诊断其故障所在，符合车载电源提高其运行的安全性、可靠性、经济性要求。论文正是在这种背景下，围绕车载电源的健康评估方法、故障诊断方法等关键技术问题展开的研究。鉴于深度学习方法在数据的特征提取中的突出优势，本文主要基于 DBN 进行了车载电源健康状态判断、故障诊断等方法的研究。论文的研究成果对提高车载电源设备管理水平具有重要的应用价值。本文的主要工作包括：　　1) 基于DBN-MD的车载电源健康状态评估方法研究　　针对车载电源制造企业与其军方用户对车载电源进行健康状态评估的需求且实际相关研究成果较少的问题，本文提出了一种基于 DBN-MD 的车载电源健康状态评估方法。首先采用 DBN 方法，对车载电源健康与异常的运行数据进行离线训练，以识别车载电源的健康状态；在线运行时根据 DBN 健康状态识别模型对实时数据中的异常数据作出指示，利用马氏距离对车载电源的健康程度进行评估，及时高效的对车载电源健康状况作出准确的评价，实验结果表明，利用DBN-MD的方法对车载电源的健康状态进行评估具有良好的效果。　　2) 基于DBN的车载电源故障诊断方法研究　　针对车载电源故障机理复杂且知识经验不足，传统浅层神经网络诊断效果难能满意的问题，本文研究了基于 DBN 的车载电源故障诊断方法。该方法借助于车载电源仿真系统采集的几种常见故障数据，对 DBN 进行预训练与反向微调，构建了车载电源相应故障的深度诊断神经网络，从而实现了车载电源几类常见故障的有效智能诊断。该方法的优势在于能够将车载电源的故障特征提取与故障诊断有机融合，摆脱了传统浅层故障诊断方法对大量信号处理技术与诊断经验的依赖，仿真实验也进一步昭示出文中方法在车载电源故障诊断中的有效性和适宜性。　　3) 基于PCA-DBN的车载电源故障诊断方法研究　　针对基于多个测量量组成的数据集进行网络训练和故障诊断时，由于变量多且之间并非互相独立，使建模与诊断的精度及时间都会受到影响的问题，本文提出了一种基于 PCA-DBN 的车载电源故障诊断方法，该方法在建立车载电源深度网络故障诊断模型时，先采用PCA对数据集进行降维，以消除冗余提取更有效的信息；接着以此对 DBN进行预训练与微调，并进而用于车载电源的故障诊断。仿真结果表明，文中方法较单一 DBN及 PCA与浅层网络结合的方法，有更好的故障诊断精度与时效性。