随着人们生活水平的提高,HVAC(Heating,ventilation,and air conditioning,暖通空调)设备的应用也日益广泛,但同时也带来了巨大的能源消耗问题。而在HVAC设备的节能方面,故障诊断和节能控制优化是两个重要的研究方向,因此本文以HVAC设备中的家用除湿机和分体式空调作为研究对象,分别进行了缺氟检测和节能控制优化方面的研究。首先针对除湿机精确模型难以建立,专家经验受限的问题,利用神经网络不需要建立研究对象模型的特点,构建除湿机运行数据与冷媒含量之间的关系,并使用复杂工况下的大量数据对神经网络进行训练,确保模型的泛化性。同时,对比分析了几种不同的神经网络拓扑结构的检测效果,并利用深度学习相关技术加速网络的训练和提升模型的准确性。此外,在数据方面使用时间序列特征对除湿机运行规律进行表征,以提升缺氟检测性能。其次,在空调的节能控制优化方面,针对现有方法更注重通用性,无法根据具体使用环境进行调整的问题,利用深度强化学习对现有的空调节能控制策略进行优化,在不建立空调和环境模型的条件下,通过空调在环境中的不断尝试与探索,实现空调控制在环境中的自适应优化。本文的实验结果表明,基于神经网络的除湿机缺氟检测方法能够有效地检测出除湿机冷媒量是否处于缺氟状态,并具有很高的检测率和检测准确率。而经过深度强化学习优化的空调节能控制策略,相比于未优化的控制策略,能够以更低的能耗达到相同的控制效果,实现了空调输出对环境的自适应调整。