随着多电飞机的发展,航空电源设备的可靠性及安全性变得尤为重要。航空电源设备的合理维护及使用是保障航空器持续适航的基础之一,其重大故障及重复故障也是航空器持续适航性的监督重点之一。变压整流器（Transformer Rectifier Units,TRUs）作为航空器上重要的二次电源设备,一旦发生故障且不能及时实现诊断和修复,将造成巨大的经济损失或人员伤亡。为保障航空器在寿命周期内的持续适航性,对航空变压整流器进行有效的故障诊断,以期及时发现并处理设备使用过程中发生的故障,达到提高航空电源系统整体的可靠性的目的。随着人工智能技术的发展,本文将深度学习算法应用于航空变压整流器的故障诊断研究。结合航空变压整流器的结构特点,围绕实际诊断中从数据获取到最终的诊断存在的多个问题展开研究,主要内容如下:（1）确定TRU的故障模式,获取不同TRU结构的数据集。基于对TRU结构特点的研究,从变压器结构以及整流桥的脉冲数等方面对TRU进行分类。从初始适航的角度,在飞机电源系统功能危害性分析（Functional Hazard Analysis,FHA）的基础上,对TRU进行零部件失效模式及影响分析（Failure Mode and Effects Analysis,FMEA）及故障树分析（Fault Tree Analysis,FTA）研究,确定TRU故障模式之间的逻辑关系。构建多种TRU结构的MATLAB模型及试验样机,获取并比较不同TRUs在不同故障模式下的电信号。（2）提出基于离散时间序列的卷积神经网络分级式故障诊断方法。首先,对现有基于卷积神经网络的故障诊断方法的结构特点进行研究,设计基于离散时间序列的卷积神经网络结构（Discrete time series Convolutional Neural Network,DTCNN）,在首层卷积层中采用大卷积核结构并添加可变概率的Dropout,以提高网络的鲁棒性;其次,结合TRU的故障发生位置及特点,提出基于DTCNN的分级式TRU故障诊断方法;最后,采用TRU仿真及试验得到的数据集对DTCNN的结构进行确定,分析不同超参数对模型的影响;与其它卷积神经网络（Convolutional Neural Network,CNN）结构的精确度及网络复杂度进行比较,通过网络可视化的方式,验证模型的有效性及优势。（3）针对数据集类不平衡问题,研究适用于CNN模型的处理不同程度类不平衡问题的方法。由于设备大部分时间处于正常工作状态且不同故障模式的发生概率不同等原因,所采集得到的数据集往往存在极大的类不平衡问题,将极大的影响诊断精度。本文重新设置了适用于CNN模型的3种类不平衡问题处理方法的相关参数,以9个类不平衡程度的TRUs故障数据集为对象,对3种算法及其组合算法及不同的采样程度进行对比研究,构建适用于CNN模型的不同类不平衡程度问题的处理方法。（4）提出基于堆叠式卷积神经网络的递进式故障诊断方法,用于辨别TRU易混淆的故障模式。首先,比较研究基于CNN的经典图像识别模型的技术特点,构建堆叠式卷积神经网络模型（Stacked Deep Convolutional Neural Network,SDCNN）,其中采用小卷积核堆叠的方式,提高模型对微小特征的识别能力;采用全局平均池化层,实现模型的正则化及减少模型的总参数量。其次,从TRU的多种电信号出发,提出基于多输入的递进式故障诊断方法,以进一步提高易混淆故障的诊断精度。最后,采用包含34种整流桥模块故障模式的24脉TRU的故障数据集对方法的性能进行验证,并采用包含不同程度噪声信号的故障数据集验证方法的抗噪能力及鲁棒性。（5）设计不同类别TRUs故障诊断模型的快速构建方法。TRUs结构及种类较多,为每一类TRUs分别构建或训练故障诊断模型将消耗较多人力和时间。因此,本文采用迁移学习的思想,以13种TRUs结构为对象,对适合作为迁移学习源域的TRUs数据集特点以及对不同类别TRUs故障诊断迁移网络的影响因素进行比较分析,为不同类别TRU构建基于迁移学习的故障诊断模型,为TRU故障诊断模型的快速建立提供了方法和参考。