针对现有的故障诊断方法在处理高维、动态特性明显的化工生产过程中的观测数据时，不能识别长期依赖性和准确性不足的问题，对长、短期记忆模型进行了改进，并提出了一种基于深度学习和attention机制的分类模型，以田纳西伊斯曼仿真平台的仿真数据为研究对象，通过小波阈值到噪法对数据进行预处理，验证了模型的分类效果，并将本文模型与改进模型进行了比较，最后通过t－sne算法绘制样本数据，输出模型各层二维空间特征向量分布图。实验结果表明，改进的深度学习模型在故障分类中的准确率分别为92.71%和93.05%，比改进的深度学习模型分别高出16.84%和13.66%。它对数据特征有较好的学习效果，更适合于化学数据。