数据中心能耗巨大,其中40%为空调系统能耗。采用空调故障检测与诊断技术(Fault Detection and Diagnosis,FDD),可以有效减少空调“带病”运行的情况,从而实现能耗的降低,顺应节能减排的大潮流。空调系统的故障可以分为热力故障和传感器故障。本文分别对其进行了研究,并结合深度学习等技术提出了有效的故障检测与诊断的方案。然而这两类故障并非孤立,故障之间的影响增大了故障诊断的难度,因此也有必要对混合故障进行深入的研究。在传感器故障诊断中,本文提出了一种基于长短时间记忆神经网络(Long-Short Term Memory,LSTM)的方法,其利用时序分析实现了故障传感器的识别。本文使用该方法对液管温度传感器、排气温度传感器分别建立了FDD模型,并成功检测出了固定偏差故障和漂移偏差故障。同时,将基于LSTM的方法和基于硬件冗余的方法从成本、准确性以及拓展性三个方面进行了对比,得出了基于LSTM的方法具有实际应用价值的结论。在热力故障诊断中,本文研究了制冷剂泄露和EEV误动作两种故障类型。首先本文提出了基于模型的方法,利用多元回归拟合无故障模型,并根据无故障模型输出与实际测量值的残差实现故障诊断。该方法实现简单,但诊断的准确性受拟合对象影响较大。因此本文提出了基于随机森林的方法,该方法诊断正确率和检测正确率均在99%以上。此外为了证明该方法的实用性,本文模拟实际应用的情况,对其进行了跨故障程度测试和跨工况测试。最后本文分析了热力故障与传感器故障之间的影响,发现在混合故障下具体故障的定位需要同时考虑传感器故障诊断模型和热力故障诊断模型的诊断结果。利用规则描述不同模型诊断结果与具体故障种类之间的联系,可以实现混合故障下故障检测与诊断。人工提取的规则由于详细程度不够,实用性差,因此本文提出了基于规则-随机森林的方法并进行了实验测试。结果表明该方法在混合故障下可以准确的识别出故障种类。