在能源紧缺问题日益严重的大背景下,如何降低建筑能耗成为当前节能降耗的研究热点之一。相关资料显示,建筑物制冷空调的冷水机组运行能耗是建筑总能耗的重要组成部分,约占40%。同时,冷水机组带故障运行时能耗会大幅上升,因此如何及时且准确的检测和诊断冷水机组工作状态尤为重要。本文旨在寻求一种高效稳定的故障检测与诊断方法,围绕离心式冷水机组展开研究,基于ASHRAE RP-1043实验数据,针对七种典型单发故障进行研究,提出经改进后的附加权重一类支持向量机（AWOCSVM）的冷水机组故障检测模型和基于自动编码器结合支持向量机（AE-SVM）的冷水机组故障诊断模型。具体工作如下:（1）由于机组运行过程中采集的信号不可避免带有噪声,针对一类支持向量机对训练样本中离群点敏感问题,提出一种基于距离权重和局部密度权重的一类支持向量机的故障检测模型。利用训练样本点之间的欧氏距离,通过给每个训练样本赋予附加权重,在使用主元分析（PCA）对样本数据降维的基础上,构建出冷水机组正常运行的单分类超平面,并构造D和统计量进行故障检测。实验仿真结果表明:基于PCA-AWOCSVM的故障检测模型,对SL1最低等级故障程度,可以有效提高9%的误报率,其余故障程度的漏报率可达0%。（2）针对冷水机组非线性故障数据维度高,相关性严重的特点,同时最大程度保留原始故障数据的高维特征,引入神经网络降维方法——自动编码器,并结合支持向量机进行故障分类,提出一种基于AE-SVM的故障诊断模型。利用ASHRAE RP-1043项目的七种典型单发故障数据进行验证,与PCA-SVM和KPCA-SVM两种诊断模型对比,结果表明该方法具有更好的诊断性能,准确率达88.15%,验证了自动编码器方法的有效性。（3）基于麻雀搜索算法优化的AE-SVM故障诊断模型研究。SVM分类器“惩罚参数”和RBF核函数参数的选取对诊断模型的诊断效果有重要影响,为了降低参数选择的不确定性,通过引入群体智能优化算法——麻雀搜索算法,对SVM进行参数寻优。对比基于GA-SVM和PSO-SVM方法的参数优化结果,经麻雀搜索算法优化后的AE-SVM模型,对四种故障程度的准确率分别提高了6.23%、8.12%、5.95%和1.87%。