化工过程结构复杂且变量众多,一旦发生故障将造成严重的经济损失与人员伤亡,因此对故障进行有效的诊断是保障化工安全生产的重要手段。历史数据与过程机理都能够从不同角度反映出工艺的运行状况,由此发展出基于数据与基于模型的两类故障诊断方法,但这两类故障诊断方法均存在其局限性。基于数据的方法建模简单,但依赖数据质量,且可解释性差。基于模型的方法可解释性强,但建模成本高。因此如何将两类方法有机结合,扬长避短,以提升对化工过程的故障诊断率,成为目前亟待解决的问题。本文提出了一种基于深度学习与符号有向图的化工过程故障诊断方法,能够对化工过程故障进行检测、分类、推理与定位。方法主要内容如下:（1）提出基于时序特征提取的双向长短期记忆网络（Temporal feature extraction based bidirectional long short-term memory,TFE-BiLSTM）故障识别方法。针对化工过程数据的具有时序性的特点,利用Tsrfesh对过程数据进行时序特征提取,生成新的时序特征数据集作为网络输入数据,构建基于BiLSTM的识别模型。TFE-BiLSTM模型在田纳西-伊斯曼（Tennessee Eastman,TE）流程的18类工况识别测试中得到了96.6%的准确率。（2）提出基于时滞符号有向图（Time delay-signed directed graph,TD-SDG）的故障推理与定位方法。首先,利用动态模拟对过程进行动态机理分析,以确定SDG的最初结构。然后,利用动态时间规整对过程数据进行时滞分析,得到变量间信息传播的时滞时间,并加入到SDG模型的有向弧中,构成TDSDG模型。将TD-SDG模型中的时滞信息与双向推理相结合,基于总时滞时间对相容通路进行排序搜索,能够降低故障源的定位难度,提升故障诊断效率。本文所提出的故障诊断方法在TE过程中进行性能验证,随后应用于某实际混合芳烃加氢过程。结果表明,TFE-BiLSTM模型能够准确分类混合芳烃加氢流程的9种工况,准确率达到95.5%;所构建的TD-SDG模型共有141个节点,包含过程内的所有关键变量,能够有效推理与定位故障源。