目前,传感技术已在工业领域得到广泛应用,它们所采集的海量监测数据成为系统状态评估、剩余寿命预测和维修策略优化重要的数据源。深度学习（deep learning）理论采用特定的深度网络表征数据结构及其抽象特征,具备强大的数据表现能力,可用于系统性能状态评估及设备剩余寿命预测,并为设备维修策略优化提供有效解决方案。本文基于深度学习理论开展多状态系统性能状态评估和维修优化研究,主要研究内容如下:（1）监测数据的退化特征提取方法研究。提取退化特征值是多退化状态系统建模和状态识别的重要环节,特征合理与否直接影响模型的可用性和学习结果的准确性。文中分别采用主成分分析、自动编码机模型以及变分自动编码机模型完成标准化监测数据的学习。结果表明:变分自动编码机模型能够有效保留原数据的信息,获取低维度、有效的退化特征。（2）基于退化特征的剩余寿命预测及多退化状态划分。以退化特征量为基础,采用时间窗的序列神经网络方法完成系统剩余寿命预测,提出基于不同循环体的模型。通过案例分析验证所提出模型对剩余寿命预测的准确性。尽管退化量能够反映系统退化的基本特征,但是连续的退化特征不能直观地表现系统健康状态,给维修策略的制定带来困难。为此,文中采用聚类算法识别退化特征中的类簇数,将连续的退化特征映射到离散的退化状态。（3）基于多退化状态的维修策略建模及优化。在退化状态基础上,考虑不同状态与退化特征的层次关系,采用隐半马尔科夫模型（hidden semi-Markov model）建立多退化状态系统模型。完整的退化特征包含从正常状态到产生故障的全部信息,再结合多退化状态划分结果,完成所建立模型的训练学习。训练后的模型具有学习不同状态的转移概率、不同状态下特征分布的能力,能够识别不同的退化状态。以役龄回退因子描述不完全维修效果,以单位时间费用成本率最小化为目标,建立非等周期下预防性维修优化模型。采用增强精英保留遗传算法（Strengthen Elitist Genetic Algorithm,SEGA）求解维修优化模型,得到维修次数和维修间隔的优化解。综上所述,本文采用深度学习方法提取监测数据的退化特征,完成多状态系统的剩余寿命预测。文中将退化特征划分为多个阶段,实现退化状态识别;在多状态退化模型基础上,采用非等周期预防性维修策略,以役龄回退因子描述不完全维修的效果,以单位时间费用成本率最小化为目标;采用SEGA算法得到维修次数和维修间隔的优化解。相关研究工作为从监测数据到维修策略优化研究提供了可行思路。