随着工业系统的高度自动化和集成化，流程工业变得愈加复杂。复杂的工业过程更需要保证生产的正常运行，及时准确地检测故障是工业生产的关键部分。卷积神经网络(convolutional neural network，CNN)在处理大量复杂数据上效果显著，可用于复杂流程工业的故障检测。但是实际工业过程存在众多问题，诸如工业数据强非线性、强关联;故障样本稀疏，较之正常操作样本数量极其不平衡;工况操作频繁导致数据分布不一致等，导致传统CNN方法直接推广到工业中失效。本文将针对上述具体实际问题，解决工业人工智能的落地应用。
　　首先，在故障与正常数据样本平衡的条件下，针对流程工业数据的强非线性、强关联性和高维度的特点，提出了多尺度卷积神经网络方法实现故障检测。该方法采用卷积神经网络进行特征提取，挖掘隐藏在工业数据中的多种特性;使用softmax进行数据分类完成故障检测。根据聚乙烯数据的实验结果表明该方法可及时准确地完成故障检测。
　　其次，针对实际工业故障很少发生，故障数据稀少的问题，采用数据处理与深度学习融合的思想，提出了基于小波包分解(wavelet packet decomposition，WPD)的双层CNN故障检测模型:通过WPD使稀疏故障样本丰富化，多种数据转换方法融合多维度提取准确的故障特征，局部和全局双层卷积架构的CNN实现不平衡样本下工业过程故障的准确检测。实际聚乙烯生产数据的实验结果表明，该模型在故障检测中具有卓越而有效的性能，且在具有较少的故障数据和更多的正常数据的不平衡数据集上具有突出的分类能力。
　　最后，针对模型在实际应用时训练数据和测试数据分布不同或条件不同的问题，提出了一种改进双层卷积转移学习神经网络(Improved bilayer convolutional transfer learning neural network，IBCTLNN)以增强检测模型的推广能力，并提高复杂工作条件下的在线检测精度。IBCTLNN利用卷积层进行特征的深度提取，引入了迁移学习策略来训练网络，通过最小化不同分布间的差异以学习领域不变特征。基准轴承数据和实际聚乙烯结块数据的实验表明，IBCTLNN在测试数据和训练数据的分布不同的情况下具有出色的检测性能。