冷水机组是暖通空调（Heating,Ventilation and Air-Conditioning,HVAC）系统的主要耗能部件,其发生故障时不但会消耗大量的能源,还会增加运行和维修成本,降低室内舒适度,甚至损坏设备,造成安全事故。将故障检测与诊断（Fault Detection and Diagnosis,FDD）方法应用到冷水机组领域,及时发现冷水机组故障并确定故障类型,从而进行决策,具有重要的经济意义和工程意义。本研究将冷水机组的FDD方法分为数据预处理、判别分析、评估与决策三个环节,并基于深度学习技术对前两个环节进行了优化。在数据预处理环节,以降低特征维度,提高效率为目标,提出了基于非参数核密度估计（Non-parametric Kernel Density Estimation,KDE）的特征选择方法和基于因子分析（Factor Analysis,FA）的特征提取方法;在判别分析环节,以提高模型准确性为目标,提出了基于先验概率更新（Prior Probability Update,UP）机制和非参数核密度估计（KDE）的贝叶斯网络（Bayesian Network,BN）方法:（1）该方法利用BN能够处理不确定问题的特点,以BN作为冷水机组FDD方法的判别分析模型,在BN结构上实现了故障诊断检测过程一体化;（2）该方法利用了BN的融合能力,在BN参数上将UP和KDE融入BN中分别对先验概率和条件概率分布进行优化,其中UP通过设置样本更新容量对先验概率实时更新,逐步挖掘样本的先验信息,有利于现场实际和模型的结合,KDE估计出样本的真实分布,避免了假设样本分布带来的不确定性。本研究利用ASHRAE RP-1043实验数据对所提方法进行了验证,结果表明:通过KDE特征选择和FA特征提取后,特征参数维度从64维降到了5维,大大减少了计算量,且降维后的5个特征能够反映原始特征95.145%的信息量;UP-KDEBN模型的虚警率（False Alarm Rate,FAR）降到了1.8%,各类故障的漏检率（Missed Detection Rate,MDR）和误诊率（Wrong Diagnosis Rate,WDR）指标中,最大MDR为制冷剂泄漏（Refrigerant Leakage,RL）故障的10%,最大WDR为RL的3.8%,均控制在可接受的阈值范围内,正常状态和各类故障的正确率（Correct rate,CR）基本都在90%以上,最低的是RL,但也有86.2%,因此本文所提FDD方法在效率和精度上都有较好性能。