针对复杂化工生产过程数据多样性、高维性的特点,提出一种基于改进 LeNet-5 网络模型进行化工生产过程故障诊断。该模型是对传统 LeNet-5 网络中的卷积核大小进行设计，加入最大池化层和 Dropout 层，实现了较高的故障诊断率。通过在某石化全密度聚乙烯丁烯精制过程数据测试结果表明，所提算法的平均故障检出率和误报率优于常规机器学习和深度学习方法。