目前,工业窑炉广泛应用于冶金、建材、发电等领域,其生产质量及能耗与窑炉运行工况息息相关。受制于窑体结构和工艺复杂性等原因,燃煤窑炉的生产过程具有强耦合、非线性、大滞后等特点,工况识别困难。为此,本文以回转窑这一典型工业燃煤窑炉为对象,结合其工艺流程特点,从数据机理的角度提出一种基于深度学习的工况识别框架,实现窑内烧结状态的稳健识别。论文的主要工作如下:（1）分析了国内外学者对烧结工况识别所提出的方法,讨论了利用图像与时序数据对工况进行表征的利弊,重点考虑能多维度刻画窑内反应状况的多元热信号,结合各信号特性,从时序分类的角度解决烧结状态识别问题。通过对时序数据分类领域中流行的深度学习架构的研究与分析,对比总结了各自的特点与适用范围,并结合注意力模型以及自注意力机制,为后续构建烧结状态识别模型提供理论依据。（2）针对多变量间的非线性、强耦合的问题,基于前述相关理论研究,提出了一种面向热工信号的时序分类框架。框架主要由多变量非线性特征提取网络与多变量特征融合网络构成。考虑到每类信号对工况滞后异步的问题,利用深度金字塔残差网络（DPCNN）按照信号的属性进行定制化的网络搭建,构建一种多输入特征提取网络。其次,为解决多变量间关联耦合问题,采用Self Attention的思想,提出一种权重学习融合网络,提取各变量与工况的最相关信息。最后通过全连接网络实现烧结工况的识别。不同于以往的多元时序分类方法,本文考虑了各变量的特性及其之间的耦合关系,以一种解耦再耦合的建模方式实现多源异类工业过程数据的特征挖掘与融合。（3）提出一种带标签平滑的多变量加权残差网络的烧结工况识别模型（Deep Multivariate Weighted Prymid ResNet,DMWPResNet）。首先对工业现场采集到的数据按专家经验进行筛选,确定关键窑前热工信号;采用可学习的低秩矩阵分解算法对热工信号中的缺失值进行补全;为解决系统中的滞后现象,利用无模型的Lipschiz延时估计方法对各信号与烧结工况的最相关时段进行分析;根据热工数据集,构建基于多变量加权ResNet的烧结状态识别模型,考虑到工况样本存在的标签误判问题,引入标签平滑方法,对模型内的目标函数进行改进,增强了模型的鲁棒性。最后给出烧结工况识别算法流程。（4）烧结工况识别实验结果与分析。在某真实回转窑现场数据上进行仿真,首先通过实验分析确定模型关键参数。其次将本文方法与现有时序分类模型进行对比分析,结果证明了本文方法的有效性。最后对本文模型采取消融实验,进一步探究各模块对模型性能的影响。对于多变量工业过程数据的融合检测,本文方法具有良好应用前景。