柴油机因具有热效率高、输出功率大、使用寿命长等优点,被广泛应用于工程机械、船舶、发电、核电等领域。随着科学技术的发展,工业及学术界均对柴油机的动力性、经济性以及环保指标提出了更高的要求,导致柴油机精密化、复杂化程度也越来越高。同时,柴油机工作时,部分零部件长期处于高温高压以及强烈振动激励的恶劣环境下,极易发生故障造成停机等后果,将会带来严重的经济损失甚至造成危及生命的安全问题。因此,开展柴油机故障诊断研究工作具有重要意义。在传统基于信号处理的柴油机故障诊断研究中,主要包括人工特征提取和模式识别两个部分。其中故障特征提取的过程通常需要依赖丰富的专家经验知识,诊断结果受人工干预较大,整个诊断流程较为繁琐,效率较低。为解决该问题,论文将深度学习理论应用到柴油机故障诊断领域,利用深度学习模型从标签数据中通过自学习的方式建立输入—输出映射关系,实现端到端的故障诊断。全文工作重点主要包括以下几个方面:（1）通过台架实验模拟了柴油机供油量不足、轨压异常以及气门间隙异常三类故障,各类故障包含有多种程度的故障,最终建立起共8类的故障数据集。（2）为解决传统故障诊断方法需要人工参与提取特征导致诊断效果不稳定的问题,提出基于注意力-双向门控循环单元（Attention-Bidirectional Gated Recurrent Unit,A-Bi GRU）的故障诊断模型。通过对输入样本进行折叠预处理减少输入样本长度,提升学习效率。同时,在Bi GRU中引入自注意力机制进一步提升模型的准确性。模型采用原始时域振动信号数据作为输入,通过网络自学习完成故障特征提取并分类。利用实测柴油机振动信号数据验证表明:该模型能够达到95.82%的测试准确率,有效地实现了柴油机典型故障端到端的诊断。（3）针对A-Bi GRU中折叠预处理过程对于输入信号数据长度自适应性差、处理困难的问题。提出了多重注意力卷积神经网络-双向门控循环单元模型（Multiple attention Convolutional Neural Networks-Bidirectional Gated Recurrent Unit,MA-CNN-Bi GRU）,以CNN结合卷积注意力机制替代折叠预处理层,完成输入数据长度约减以及初步特征提取工作,将CNN输出结果进行重组以后输入Bi GRU,采用Bi GRU结合自注意力机制完成序列特征学习并分类。经过和ABi GRU对比后表明:MA-CNN-Bi GRU能够达到更高的测试准确率—97.29%,同时,该模型测试100个数据样本用时仅增加0.13s,为8.59s。（4）为解决A-Bi GRU和MA-CNN-Bi GRU中由于Bi GRU无法并行计算,导致的计算时间过长的问题,提出了多重注意力卷积神经网络模型（Multiple Attention-Convolutional Neural Networks,MA-CNN）。通过多层CNN结合卷积注意力机制完成原始时域振动信号数据学习,提取深层特征。然后将CNN输出特征重组以后直接采用自注意力机制完成序列特征学习。利用实测柴油机振动信号进行验证并且和A-Bi GRU和MA-CNN-Bi GRU对比后表明:MA-CNN能够达到最高的测试准确率—97.88%,同时其计算速度提高了24倍,测试100个样本仅用时0.35s。