液压系统作为自动化生产设备的重要组成部分,一旦出现故障将会严重影响系统安全可靠运行。利用系统状态数据挖掘深层特征信息进行状态识别,能够明显缩短强隐蔽性故障的排查时间,提高对设备状态的监测能力。本文针对液压系统高维复杂的状态数据,无监督地提取低维特征并进行分类,实现了液压系统的状态识别和故障监测功能。首先,针对呈现阶段性特征或含有明显震动分量的状态数据,本文提出了一种基于特征权重的特征选择方法,解决了特征数量过大难以分类的问题。在计算特征的熵权后利用基于Hotelling检验的权重进行调节测试,选择少量特征并重构后参与分类或聚类以实现状态识别。其次,为了发挥多通道数据的优势,减少数据向量化造成信息损失,本文基于张量结构数据的Tucker分解技术,提出了一种迭代优化方法以提高核心特征的稳定性,并探讨了用于张量数据分类的支持张量机模型的求解问题。然后,针对溢流阀弹簧弹性系数衰退的异常工作状态等难以识别问题,本文提出了一种基于深度学习的无监督式特征提取方法,采用两阶段堆叠降噪编码网络（SDAE）,解决了深层编码网络难以收敛的问题,提高了对高维复杂数据特征提取能力。并通过一种基于空间结构保持约束的网络（LP＿SDAE）,限制数据在重构空间中相对位置扩散或漂移以提高特征的稳定性。同时,通过改变LP＿SDAE的训练方式,将该网络应用于异常数据的在线监测,并取得了良好的监测效果。最后,为了验证诊断方案的有效性进行了液力锻压机实验,将本文方法应用于实验数据进行特征提取,同时对比了几种无监督特征提取方法。实验诊断结果表明本文方法在处理液压系统复杂数据具有更佳的效果。