传统基于“人工特征提取+浅层分类器识别”的联合收割机故障预警方法对专业知识和领域专家经验依赖性较强,逐渐难以满足现代自动化预警领域的要求。深度学习作为现代人工智能领域崛起的新生力量,可以自动地从数据中学习具有代表性的特征,在很大程度上摆脱了对诊断专家的依赖。本文针对传统联合收割机故障预警方法的局限性,立足于人工智能技术的基础上,着重研究了基于深度学习的联合收割机故障预警技术。本文研究的主要内容如下:首先本文在分析联合收割机传动原理和作业流程的基础上,制定了多个重要部件为工作状态监测对象,并搭建了联合收割机车载数据采集系统,利用多种传感器分别采集联合收割机重要部件的收割作业数据,将实时工作数据同时进行本地存储和远程服务器发送,远程数据作为历史数据供进一步的学习挖掘。其次进行了大量的工作数据采集实验和现场故障实验,根据收割机原始数据特点制定了数据验证、数据清洗、数据集成等数据预处理算法,并通过Fliter数据特征选择方法,筛选出噪声特征值,大大提高了数据的纯度和质量。最后提出一种基于长短记忆神经网络(Long Short-Term Memory,LSTM)的变种网络—简化门单元网络(Simplified Minimal Gated Unit,SMGU),通过收割机工作数据验证SMGU网络具有与LSTM相同的性能,但是较LSTM网络只需消耗1/7的时间和计算成本,大大减少了资源消耗和预警反应时间。同时针对于联合收割机工作数据庞大的特点,提出了一种将自组织特征映射神经网络(Self-Organizing Feature Mapping,SOM)与SMGU网络结合的方法,SOM-SMGU网络既通过无监督学习解决了数据量庞大的问题又能较好的完成基于时间序列任务的分类问题。本文通过损失函数、准确率、f1-score三种评定标准对SOM-SMGU网络在对处理联合收割机故障预警任务时做出综合性能衡量,对比于多种有监督和无监督学习算法,SOM-SMGU网络具有最优的性能,其综合故障预警准确率可达到98.5%,此外还给出了错误故障预警识别趋势,为后续研究提供参考经验。