科学技术的水平日益提高,工业过程的复杂程度越来越高,对复杂工业过程的安全性以及故障诊断的准确性的要求也逐渐提高。复杂工业过程往往会有多个稳定工况,进而产生大量的过程数据,这些数据时常表现出多变量、非线性、时变性等特性。如果在工业生产过程中发生故障,不仅会影响到产品的质量和生产效率,甚至会对操作人员的人身安全造成威胁。因此,保证复杂化工过程的安全、高效运行,并对复杂过程的故障诊断技术进行研究尤为重要。本文的主要研究内容是基于深度学习,以数值仿真过程和田纳西-伊斯曼过程（Tenessee Eastman Process,TEP）为研究对象,对复杂过程的深度集合型故障诊断方法展开研究。本文将复杂过程集合型故障诊断方法分为数据集获取、特征提取、故障分类以及模型参数优化四个环节进行研究,并提出了基于RCAE-SSA-SVM（Residual Convolution Autoencoder-Sparrow Search AlgorithmSupport Vector Machine）的深度集合型故障诊断方法。首先,通过数值仿真实例和TE过程仿真模型仿真出实验所需要的相关数据集。然后,特征提取环节采用残差卷积自编码器（Residual Convolution Autoencoder,RCAE）,该模型在卷积层和自编码器构成的深度神经网络中加入了残差学习块,通过使用卷积和反卷积运算从输入数据中提取有效特征,并对该模型进行训练以及不断优化,通过该模型会得到数据集的特征向量。之后,利用麻雀搜索算法（Sparrow Search Algorithm,SSA）对支持向量机（Support Vector Machine,SVM）中的惩罚参数和核参数进行优化,得到最优SVM模型,将经过特征提取后所得到的特征向量经过SSA-SVM进行故障诊断分类,为了验证加入SSA的有效性,对RCAE-SVM方法进行了实验,并对决策树（Decision Tree）方法进行了实验,将三种故障诊断方法在TE过程的故障诊断实验中进行对比,证明了所提出的基于RCAE-SSA-SVM的集合型故障诊断方法具有较高的故障诊断精度。