工业生产过程中,常采用多数量、多种类传感器对系统运行状态进行监测,利用数据融合等方法挖掘隐藏在数据背后的潜在信息特征,可为系统分析、优化决策提供有益指导。然而,受传感器类型多样、系统工况复杂多变等因素制约,所监测的多源数据大多表现时空不一、形式异构等属性,给多源数据融合、决策带来了困难。为此,本研究着重针对多源数据常呈现的多模态、非均衡、异构性三类结构特征,研究基于深度约束表示学习的多源数据融合方法,具体研究内容包括:（1）针对多模态数据融合时因模态间交互信息挖掘不及时导致关键信息丢失的问题,提出基于约束对抗卷积自编码记忆融合网络的多模态数据融合方法。该法首先在卷积自编码器中引入挤压激励模块,使其在提取独立特征的同时,更加关注故障信息;其次,引入模态鉴别器、相似性度量约束函数以促进编码器捕获模态间的交互信息和模态不变性特征,从而减小多模态分布间的差异性;然后,利用长短记忆网络对各独立特征和交互特征进行融合,以捕获多源数据的上下文信息特征。最后,通过对比实验、消融研究、泛化分析验证了本研究所提模型的有效性。（2）针对多模态数据融合时样本类别非均衡导致模型泛化能力下降的问题,提出基于不变时空注意融合网络的非均衡数据融合方法。该法首先用平衡数据预训练卷积自编码器,以减弱非均衡样本对网络造成的偏心学习影响;其次,在预训练卷积自编码器中引入卷积注意模块、长短记忆网络、相似性约束函数以捕获具有时空特性的独立特征和交互特征;然后,利用三元组边界约束函数和多层感知机来促进各模态特征信息聚类、融合;最后,通过对比实验、消融研究、泛化性能实验验证了本研究所提模型的有效性。（3）针对异构性数据融合时特征表示不充分和各模态对任务贡献度难以确定的问题,提出基于动态不变-特殊性表示融合网络的异构性数据融合方法。该法通过扩展模态、添加约束和分离特征联合的方式来改进域分离网络,以在捕获各模态特征的同时,有效利用模态间冗余信息;其次,对改进域分离网络添加余弦三元组约束,以提升各模态语义聚类效果;然后,使用分层图融合网络对每个表示进行动态融合,以自适应地获取模态交互信息。最后,本研究进行了对比实验,融合策略分析、损失函数消融分析、相似性约束函数分析等实验,结果验证了模型的有效性。