液压系统是工程设备的核心组成部分之一,一般来说,液压系统的工作环境较为复杂,在运行过程中其元件会出现退化现象,甚至产生故障。作为液压系统中的关键元件之一,液压泵的性能优劣将对整个液压系统的正常运行产生影响。因此,进行液压泵故障诊断和健康状态预测方法的研究对整个液压系统的稳定运行具有重要意义。近年来,有关深度学习的研究不断取得新的进展,深度学习方法也广泛应用于各种领域。因此,本文在深度学习的理论基础上,开展对液压泵的故障诊断和健康状态预测方法研究,主要研究工作内容分为以下几个方面:（1）针对液压泵通过单一传感器进行故障诊断时具有不确定性的问题,将卷积神经网络和改进证据理论结合,提出一种多源信息融合的故障诊断方法。通过多个传感器对柱塞泵不同位置的振动信号进行采集,采用连续小波变换方法将采集到的振动信号转换成时频图并输入到所构建的神经网络模型中,进行故障的初步分类;然后将网络模型的输出作为证据理论的输入,得到各焦元的基本概率分配,基于证据之间的距离差异度及方向差异度,构建证据之间的数值相似度和方向相似度,计算每个证据的权重;最后,基于证据的权重,进行数据融合,判断故障原因。（2）针对卷积神经网络在机械设备的退化过程中提取到的特征单一且忽略了时序信息等问题,引入多尺度卷积神经网络,并采用Bi-LSTM提取时序特征,提出了一种基于特征融合的健康状态预测方法。同时使用注意力机制对卷积神经网络提取到的特征赋予不同权重,进一步提高了信息处理的效率和准确性。最后使用液压泵退化过程中采集到的振动信号数据进行验证,结果表明该模型具有较好的预测精度,能够很好地反映液压泵的健康状态。（3）根据液压泵的状态监测、故障诊断及健康状态预测需求,选择了传感器及信号采集、数据传输等硬件,搭建了一套可进行液压泵实时运行状态监测的系统。选用Py Qt5作为开发工具,结合SQLite数据库技术,通过人机交互界面实现了系统实时状态监测、故障诊断及健康状态预测等功能,方便工作人员进行界面化操作。同时该系统所采用的方法具有一定工程应用价值,具有良好的应用推广前景。