为适应船舶辅锅炉智能化的新要求,提高辅锅炉故障预测可靠性,以MISSIONTMOS-TCi型船用燃油辅锅炉为研究对象,在介绍辅锅炉相关系统组成及燃烧系统故障分析总结的基础上,综合考虑辅锅炉故障预测实际需求,确定了4类燃烧系统典型故障以及6种预测特征参数。以大连海事大学开发的DMS-CSS轮机模拟器辅锅炉模块为仿真数据获取源,结合实船采集的辅锅炉运行数据构建实验所需数据集。通过建立深度神经网络模型用于燃烧系统典型故障预测,开展基于深度学习的辅锅炉故障预测研究。利用循环神经网络（Recurrent Neural Network,RNN）和长短时记忆（Long Short-term Memory,LSTM）神经网络建立故障预测模型,使用两类模型对6种预测特征参数的趋势进行预测,在测试集中选取100组样本点展示了RNN和LSTM预测值与真实值拟合程度,选择MSE、RMSE、MAE、MAPE作为评价模型预测准确度和预测能力的指标。经过实验对比分析,相较于RNN而言,LSTM具有预测值与真实值拟合程度较高、预测误差较小的优点,但预测值稳定性不高以及某些情况下需要人工参与特征提取。在LSTM故障预测的基础上,采用一维卷积神经网络（1-Dimensional Convolutional Neural Network,1DCNN）对辅锅炉原始数据进行特征提取和预测特征参数初步分类,在解决LSTM学习数据特征的局限性以及对时间序列数据顺序依赖性的同时提高LSTM模型预测值的稳定性。通过建立1DCNN-LSTM与单一LSTM进行对比实验,实验表明1DCNN-LSTM在去除极特殊点外,输出预测值与真实值的拟合程度相较于单一LSTM有较大幅度提升。最后,计算得到1DCNN-LSTM相较于单一LSTM其RMSE、MAE、MAPE分别降低了54.12%、57.96%、54.88%,误差降低的同时提高了预测准确度和预测值的稳定性。本文研究为船舶辅锅炉故障预测提供了一种新思路,同时在研究方法运用方面也可以给不同领域研究人员一定的参考。