数据中心作为关键设施，通常包含数以千计的数据处理设备，例如服务器、交换机和路由器等。随着“互联网+”时代的发展，其数量和规模均呈爆炸性增长态势。机柜风扇损坏、服务器长期满负荷工作等异常情况极易导致数据中心温度过高，通常采用进一步降低空调温度的方法来维持服务器安全可靠运行，由此导致巨大的电能消耗。因此对服务器进行热故障诊断不仅可以极大地提高数据中心管理效率，保证数据中心安全可靠运行，也能够在一定程度上提高空调制冷效率。　　通过比较分析数据中心温度场感知方法，结合图像处理及人工智能发展现状，本研究提出基于红外图像的服务器热故障状态诊断方法，目的是根据诊断结果做出高效节能的热管理决策，以优化数据中心的能源配置和热管理，进而保证数据中心可靠运行并降低数据中心能耗。为了验证方法的有效性，本研究设计服务器四种常见的热故障，通过红外热像仪采集处于不同运行情况下的服务器红外图像，建立服务器红外图像库。本研究从图像特征提取与分类器设计两个关键技术出发，设计两种服务器热故障诊断方法。　　一种是基于特征与支持向量机结合的服务器热故障诊断方法。首先通过图像增强算法突显服务器热分布区域，然后采用图像标准化方法消除由于相机拍摄角度及距离导致的图像几何畸变，并将其映射到统一的图像模板。然后从标准化后的图像中提取纹理特征、方向梯度直方图特征以及本文提出的改进熵特征，利用这些特征对支持向量机热故障诊断模型进行训练，实验结果表明在本方法中基于改进熵特征与支持向量机结合得到的热故障诊断效果较好，其准确率达到85.3%左右。　　另一种是基于卷积神经网络的服务器热故障诊断方法。卷积神经网络具有端到端自动学习特征的特点，省去人工提取特征的繁琐过程。本研究在AlexNet网络模型的基础上优化参数设置，实验结果显示优化实验参数后的AlexNet网络模型得到的服务器热故障诊断准确率达到95.3%左右，对比分析两种服务器热故障诊断方法性能可知，基于卷积神经网络的服务器热故障诊断方法更适用于服务器热故障诊断。