管路工况识别在故障诊断、设备监测、声辐射预估等领域都有广泛的应用。传统的工况识别方法均需要经过工况特征提取、特征选择与优化、分类器设计和分类识别结果评价等几个过程。由于工况类别特征与工况本身属性紧密相关,人工提取合适特征的过程十分复杂,并且对提取的特征需要进行选择,费时费力,也增加了管路工况识别的难度。基于深度学习的管路工况识别方法引入深度学习概念,并以深度自动编码器网络为代表对工况进行分类识别。深度自动编码器网络是一种通过组合低层特征形成高层抽象表达的学习网络。通过设计仿真信号重构实验,研究了深度自动编码器网络的性能,并根据其性能提出输入信号的预处理方法;设计了应用于管路工况识别的深度学习网络,研究了学习网络参数、采集数据变量对识别效果的影响,并将该方法与其它传统工况识别方法进行比较。实验表明基于深度学习的管路工况识别方法减少了人工参与因素,避免了人工特征提取与优化过程,并且有一定的可扩展性,有较强的优势,为工况识别研究提供了新思路。