飞机起落架液压系统是影响飞机安全的重要系统,对起落架液压系统的故障诊断研究工作具有十分重要的意义。传统基于仪器仪表的测量诊断技术受人的经验与知识影响较大,现有的一些基于浅层神经网络的故障诊断技术需要采用复杂的数据处理方法提取故障特征,效率低、故障诊断精度难以保证。随着计算机仿真技术与智能故障诊断技术的发展,基于仿真数据驱动的智能故障诊断技术为研究飞机起落架液压系统的故障诊断方法开辟了新的方向。本文以某型飞机起落架液压系统为研究对象,结合计算机仿真技术与深度学习等智能算法,研究了基于仿真数据驱动的飞机起落架液压系统故障诊断方法。主要研究内容如下:（1）基于AMESim对某型飞机起落架液压系统进行了建模与仿真,并验证了仿真模型的合理性与有效性。对仿真模型注入了几种典型故障模式,并提取了几个关键节点的压力、流量信号来构建后继用于故障诊断研究的数据集。（2）针对起落架液压系统故障特征提取困难、故障诊断精度难以保证的问题,提出了基于卷积神经网络（CNN）与支持向量机（SVM）的故障诊断方法,采用一维多通道CNN网络结构自适应提取故障信号的特征值,并基于欧几里得范数（L2范数）理论构建特征融合层,将融合特征输入到SVM分类器完成故障分类。结果表明,所提故障诊断算法能够自适应提取起落架液压系统的故障特征,且经融合后的特征具有较好的区分度,相比于传统特征提取方法更有效,故障诊断准确率更高。（3）为实现在多尺度上提取起落架液压系统的复杂深层细节特征,提高故障诊断精度,提出了基于双路特征融合卷积神经网络（TSFFCNN）与粒子群优化支持向量机（PSOSVM）相结合的故障诊断方法,采用一维卷积神经网络（1DCNN）与二维卷积神经网络（2DCNN）并行多通道网络结构自适应提取特征信息,并在融合层将两路故障特征融合,最后通过PSO优化后的SVM分类器进行故障分类。结果表明,该故障诊断算法的泛化能力更好,对起落架液压系统的故障诊断具有更高的精度、更好的稳定性。（4）将AMESim仿真模型应用到某研究单位的PHM平台,再次验证仿真模型的有效性。基于PHM平台构建实验数据集验证所提故障诊断算法的有效性与实用性。结果表明,所搭建的AMESim仿真模型能有效仿真起落架的工作过程,所提故障诊断算法能够实现对起落架液压系统的故障诊断,且具有较好的诊断精度与稳定性。