随着智能制造时代的到来,制造业以用户端的价值需求为立足点,对产品质量、生产效率、能源消耗、环境污染、生产与人员安全等方面提出更高要求,驱使整个工业过程实现高质、高效、绿色、安全地运行。同时,生产力的进一步解放和升级带动综合自动化系统向规模化、集成化、智能化方向迅速推进,因而通过数据驱动的故障诊断来构建数据与生产活动之间的良性联结,从而满足工业过程对稳定性、可靠性、安全性的实际需求,将成为制造业提升竞争力和创新性的关键基础,也是智能制造战略的核心要义。数据作为最重要的媒介把工业过程和用户相连,但在某些特定场景中面临故障源、标签、类别等要素非完备的困境,阻碍传统数据分析方法对操作状态的全面描述,导致故障诊断结果存在鲁棒性不足的问题。而克服要素非完备带来的挑战,及时实现高性能故障诊断,有利于尽早排除故障带来的潜在风险,预防重大事故的发生。因此,本文针对故障诊断中的故障检测、故障溯源以及故障识别三个核心环节,从各自所面临数据非完备的问题出发,充分考虑现代工业过程的变量互联耦合且强非线性、工序流程长且动态变化、故障幅值低且特征不明显等复杂特性,以深度学习技术为核心,研究非完备数据驱动的故障特征增强和故障模式学习。本文的主要研究内容概括为以下几个方面:（1）针对复杂非线性工业过程在训练样本先验信息非完备和故障源信息不可知场景中的故障检测与故障溯源问题,本文提出基于全局和局部变量间结构的无监督一体化方法。首先,提出基于全局和局部变量间结构的卷积算子用于提取变量之间的全局和局部非线性特征,以提高对复杂非线性工业过程的建模精度;然后,在特征增强的基础上构建堆叠自动编码器,通过无监督重构学习范式表征正常操作状态,从而利用重构误差来有效监测操作状态、及时发现故障;此外,在一体化方法中嵌入所设计的基于自注意力的变量选择模块以驱动故障检测结果的可解释性,并提出相对注意力及其控制限,从而以定量的方式实现非线性故障溯源。实验结果表明,全面且充分地表征全局和局部变量间结构可以有效增强非线性特征从而提升故障检测准确性,同时端到端的故障溯源方法能够有效缓解冗余故障变量和拖尾效应问题。（2）针对复杂动态工业过程在训练样本先验信息非完备和故障源信息不可知场景中的故障检测与故障溯源问题,本文提出基于深度慢特征分析的无监督一体化方法。首先,采用卷积长短时记忆模块用于提取高维时序数据的长序列时空特征,以提高对复杂动态工业过程的建模精度;然后,在高阶时空特征的基础上,提出与动态故障检测强耦合的无监督深度慢特征分析学习范式,通过提取具有极为缓慢变化模式的慢特征来增强对正常操作状态的表征,同时突出故障动态变化。与较为先进的基于对抗自编码器的重构学习范式相比,深度慢特征分析学习范式在长序列时空特征增强的基础上能够以轻量化地方式提高故障检测性能。此外,在一体化方法中同样嵌入变量选择模块,并在长序列时间特征所揭示的过程内在因果关系的基础上可以更清晰且准确地回溯故障变量。（3）针对训练样本标签信息非完备场景中的半监督故障识别问题,本文提出基于自注意卷积阶梯网络的方法。首先,通过自注意力权重以自适应地融合全局和局部变量间结构,在仅依赖少量有标签故障数据的情况下还能学习到表征能力强的特征,尤其是对于微小故障;然后,为了克服有标签故障数据量不足所带来的欠拟合问题,在特征增强的基础上构建卷积阶梯网络来充分学习少量有标签故障数据和部分无标签故障数据中的信息;此外,在阶梯网络中引入跨越连接结构,从而在单阶段的半监督训练过程中平衡有监督学习和无监督学习之间的目标差异性。实验结果表明,所提出的半监督方法通过最大化地利用有标签和无标签故障数据能够有效提高在非完备数据情况下故障识别结果的鲁棒性,并且对自注意力向量的可视化实验验证了该自注意融合机制对表征微小故障的有效性。（4）针对训练样本类别信息非完备场景中的故障识别问题,本文提出开集故障识别任务和基于超球面流形反点学习的方法。开集故障识别任务不仅需要识别已知类故障,同时还需要区分已知类故障和未知类故障。一方面,为了优化已知类故障的经验分类风险,提出角度阈量惩罚以显式地加强已知类故障在超球面流形空间中的类内紧凑性和类间差异性,从而提取具有强判别性的故障特征,提高对已知类故障的识别性能。另一方面,为了在没有未知类故障的训练样本情况下优化潜在开集空间风险,通过反点和流形混合分别以间接和直接的方式估未知类故障在超球面流形空间中的分布,提高已知类故障和未知类故障之间的可区分性。与较为先进的开集目标识别方法相比,所提出的方法通过超球面流形加强优化反点学习中的经验分类风险和开集空间风险,能在保持较高已知类故障识别性能的同时提升对未知类故障的检测准确性。