对空调系统进行及时准确的检测和诊断,可减少能源消耗和人力维护成本,保证空调系统高效运行。针对空调设备内部复杂性高、故障原因种类繁多,传统的机器学习方法在复杂连续的工业环境中存在一定局限性,现实空调故障数据少且故障标签获取困难等问题,本文基于深度学习对空调故障检测和诊断做了以下工作:（1）根据空调故障数据的时序性,搭建基于深度学习LSTM的空调故障诊断模型,克服传统循环神经网络梯度下降问题,并对参数进行优化调整和交叉验证,确定最优的LSTM模型。该模型能在空调的不同故障严重程度等级下,准确地对空调故障标签进行分类。对比传统循环神经网络和它的另一个变体门控循环神经网络,该模型故障诊断的准确率较高且有较好的适应性。（2）故障诊断的前提需要在大量不平衡数据中先准确检测出是否存在故障,因此,本文结合了Relief F算法进行特征选择并且搭建双模块LSTM模型,增加了空调的故障检测的模块,形成了空调故障检测和诊断的一体化。在故障的不同严重程度下进行检测和诊断,同时对每种故障类型都进行逐一诊断。（3）针对故障数据获取困难且数据标签不多的问题,提出了一种采用Wasserstein距离来度量两个概率分布之间的相似性的生成对抗网络（WGAN）,并结合XGBoost算法、VAE算法、半监督结合支持向量机算法作为评估模块挑选出高质量的样本。最后,在空调故障处于不同故障严重程度情况下,提供不同算法模型,如记忆循环神经网络、随机森林、支持向量机、决策树、K近邻算法、逻辑回归等进行多种故障类别诊断。（4）设计实现基于深度学习多模型综合空调故障诊断软件,包括数据预处理、故障数据生成、高质量样本提取、各算法诊断结果的可视化交互界面和辅助功能共五个部分。它对空调的运行情况进行准确诊断,同时提供各个模型的诊断准确率的可视化对比结果。该软件界面简洁、友好,增强用户体验性。