作为疏浚作业中的重要装备,泥泵（一种大功率电力驱动离心泵）的安全性和可靠性直接影响生产效率,开展有效的泥泵故障诊断可以节省维修费用,提高泥泵的可保障性和可运行性。本文在工业与信息化部高技术船舶项目“疏浚船舶智能作业系统开发”（项目编号:2019.13.GX.50）的支持下,主要针对疏浚作业过程中泥泵的预测性维护难题,研究了一种基于深度学习的挖泥船泥泵预测性维护方法,主要研究内容如下:（1）针对深度神经网络的参数直接影响诊断性能的问题,采用基于改进的稀疏堆叠降噪自编码器（Sparse Stack Noise Reduction Self-encoder,SSDAE）的泥泵的智能诊断方法。以最小化目标函数为目的,优化降噪自编码器（Denoising Auto Encoder,DAE）网络的参数,提取故障状态特征,构建soft-max分类器实现运行工况的精确诊断。引入降噪和稀疏技术提高对不同工况的识别精度。仿真结果表明,所采用的方法在诊断速度和诊断准确率方面表现良好。（2）针对泥泵故障信号获取困难、泛化性差的问题,采用一种基于电特征分析（Electrical Signature Analysis,ESA）和堆叠胶囊自编码器（Stack Capsule Auto Encoder,SCAE）的泥泵故障诊断方法。通过ESA选择泥泵故障参数,使用增量主成分分析（Incremental Principal Components Analysis,IPCA）验证了ESA选择有效性。将数据输入堆叠胶囊编码器网络,仿真结果表明,优化后的模型分类精度达到96.5%且具有一定的鲁棒性。（3）针对泥泵轴承寿命数据无监督训练精确度较低的问题,采用一种基于序列的深度学习算法,将获取的泥泵故障特征从相似系统的生命周期中转移出来,扩展系统的泛化能力。采用高斯混合模型（Gaussian Mixed Model,GMM）确定泥泵轴承寿命的不同阶段。构建轴承健康指数评估轴承退化状态,搭建基于长短时记忆网络(（Long Short-Term Memory,LSTM）的迁移学习（Transfer Learning,TL）模型预测轴承剩余使用寿命,仿真结果表明所提预测模型可以精确预测轴承退化过程。（4）在理论和算法研究的基础上,构建泥泵预测性维护交互式平台,通过分析泥泵运行数据,诊断挖泥船泥泵运行故障以及泥泵轴承的剩余使用寿命,检测泥泵运行状态,为维修人员提供指导意见。