随着大数据时代的到来,对存储设备的容量、性能和可靠性都有了更高的要求,硬盘作为一种重要的存储设备,一旦发生故障可能造成数据永久性丢失,即使数据能够恢复所需的时间和成本也很可观。目前硬盘普遍采用自我监测、分析及报告技术（Self-Monitoring Analysis and Reporting Technology,S.M.A.R.T.）系统,但该系统自带的检测算法在故障发生前检出故障的概率非常低,无法给更换故障硬盘留出足够的时间。随着机器学习特别是深度学习技术的发展,一系列硬盘主动故障预测算法将硬盘故障预测定义为多变量时序数据分类问题,将硬盘分为健康与即将故障两类,对即将故障的硬盘转移备份数据,避免数据丢失造成的损失。但该任务是典型的不平衡时序数据分类任务,这些算法在检测健康硬盘上表现良好,但在更为关键的检测即将故障硬盘上的表现则有待提高。同时,不同型号硬盘的S.M.A.R.T.数据分布存在差异,这些算法通常只在特定型号上性能较好,一旦型号发生变化,其性能明显下降。为提高性能,提出基于多变量全卷积长短时记忆网络（Multivariate Fully Convolutional Long Short Term Memory Network,MFCN-LSTM）的硬盘故障预测算法,并且先采用基于聚类的下采样技术对硬盘S.M.A.R.T.数据进行预处理,平衡不同类别的数据。卷积网络模块用于提取S.M.A.R.T.数据特征,并加入挤压-激励层,允许网络特征重新进行校准,网络可以从全局信息中选择性地关注有用特征并且忽略无用特征。长短时记忆模块能够提取数据之间的时序依赖关系,进一步提高分类性能。针对不同型号硬盘S.M.A.R.T.数据分布存在差异这一问题,基于迁移学习的模型自适应方法在全连接层使用多核最大均值误差（Multi Kernel-Maximum Mean Discrepancies,MK-MMD）计算不同型号硬盘的S.M.A.R.T.数据通过长短时记忆模块与卷积网络模块提取特征的差异,并将该差异加入损失函数的计算以优化模型。同时该方法对卷积网络模块的前两层卷积参数进行直接迁移,对第三层卷积和长短时记忆块的参数进行微调,使迁移过程中能够训练出更加针对目标型号硬盘的网络模型,提取出更加有针对性的特征。基于S.M.A.R.T.硬盘数据集的实验结果表明,同未使用下采样直接进行分类相比,AUC指标平均提升0.2165,AUC指标常被用来评价模型的分类效果。使用MFCN-LSTM同Bayes相比,AUC指标平均提升0.4356;同LSTM-CNN相比,AUC指标平均提升0.3503;同FCN相比,AUC指标平均提升0.2038。针对不用型号硬盘,同重新训练的模型相比,基于迁移学习的模型自适应方法的AUC指标平均提升0.0431。