随着电动汽车的广泛使用,其安全问题也越来越多,电动汽车的安全行驶离不开车载电机的正常运行。因永磁同步电机（Permanent Magnet SynchronousMotor,PMSM）具有方便维护、高功率密度比、高效和高可靠性等优点,在电动汽车上被广泛应用。因此,研究PMSM故障监测和诊断技术,保证电动汽车的安全运行,有着广阔的应用前景。现阶段永磁同步电机的故障诊断多依赖于对电机运行时的相关信号进行分析,需要设计者深入理解电机驱动系统和故障特征信号,导致故障诊断门槛较高。近年来,深度学习在各个研究领域得到广泛应用,它能自主学习数据深层次的特征,通过训练固定内部的权重值和偏移值,给训练好的网络输入新数据就可以得到结果,不需要设计人员有丰富的专业知识。为此,本文提出了一种基于多层次特征融合空间金字塔池化网络的PMSM混合故障诊断方法,可通过电机运行电流数据直接诊断电机故障。本文首先选用有限元软件Altair Flux搭建电机模型,通过改变电机模型的定子中心位置获得不同程度的偏心故障,改变永磁体的剩磁Br获得不同程度的退磁故障,再组合改变定子中心位置和永磁体的剩磁Br获得混合故障电机模型,这里共搭建了9种电机模型（包含4种单一故障电机,正常电机和4种混合故障电机）。接着将搭建的9种电机模型分别导入到MATLAB-Simulink进行联合仿真,以获得故障电流数据。然后,将采集的电流数据转化为灰度图像,利用数据集扩充方法形成训练和测试数据集。最后,对传统的卷积神经网络（Convolutional Neural Network,CNN）结构进行改进,即在最后一个池化层后增加空间金字塔池化层和在每个池化层后增加跳跃连接,设计出一个8层卷积神经网络,其中包含6个卷积层,两个全连接层,再基于Tensor Flow构建改进的卷积神经网络（Modified Convolutional Neural Network,MCNN）模型。实验结果表明,设计的新型MCNN能提取图像中隐含的不同等级和不同尺度的电机故障特征,能够有效地诊断PMSM不同类型、不同程度的故障,在单一故障数据集和所有数据集下,精度分别为98.21%和90.05%,相比传统CNN模型,分别提高了2.3%和3.67%。