核电站安全控制系统是核电站所有组件中最重要的部分之一,一旦出现故障,会造成无法预估的损失以无法挽回的灾难。当前在核电站中保证安全的控制方法都是在探测到故障发生之后才进行相应,这使得故障发生时的实时数据无法被控制系统有效利用。基于传统方法的弊端,又因为深度学习方法对海量数据深层信息的挖掘以及善于处理非线性数据的能力,使得深度学习方法极其适用于核电站数据处理中。采用深度学习的方法去提前诊断故障的发生,并预测其未来发展趋势,这将使得核电站安全裕度得到极大的提升,而安全裕度的提升带来的就是巨大的利益。本文针对反应堆内冷却剂丧失事故（LOCA）的提前诊断以及预测进行研究,在机器学习和深度学习技术的基础上,重点研究了基于深度学习的冷却剂丧失事故诊断及其发生后的趋势预测。本文的研究工作主要分为四个点:（1）分析了LOCA事故的故障机理。论述了传统研究方法在LOCA破口尺寸大小上的研究现状。对现有的基于传统方法的LOCA破口尺寸诊断的弊端进行分析,并在此基础上提出新的Att-Conv LSTM的诊断方法。对于五种LOCA破口尺寸的诊断正确率达到了96%,实验证明了提出方法的有效性（2）分析了对LOCA发生后的趋势预测的重要性。针对现有基于LSTM预测方法的不足,在此基础上提出新的CNN+LSTM+Res Net的预测方法。对于0.2（88）2破口尺寸60%功率情况下的流量预测结果损失值低至1.936×10-3,实验证明了提出方法的有效性。（3）针对于原始仿真数据集样本少以及未标注的情况,提出一种基于Python语言的脚本对数据集进行扩展以及标注。处理过后的数据能有效提高LOCA破口尺寸识别效率以及LOCA发生后趋势预测的准确率。（4）针对传统故障诊断之后需要依靠大量专家经验分析才能得到下一步决策依据,本文提出对LOCA的诊断与对LOCA发生后的趋势预测结合起来,通过查找故障字典得到一个全新的“诊断+预测”融合模型。