【目的】在传统永磁电机故障监测领域，接触式信号虽被广泛使用，但通常只能反映电机的单一运行状态且信息量不足，难以识别永磁同步电机的全面运行状态。为丰富信息量，需要额外增加传感器，但这不仅增加了系统的复杂性，还提高了实际应用难度。因此，提高永磁电机状态监测的精度与便捷性成为重要的研究目标。随着智能化监测技术的发展，非接触式信号的应用越来越受到关注。永磁电机运行时产生的音频信号包含了丰富的状态信息，为故障诊断提供了新的方向。相较于接触式信号，音频信号能实时反映由故障引起的电机振动、噪声等特征，有较大的研究价值。然而这类信号易受环境噪声的干扰，导致信号质量差、特征信息不清晰，不利于永磁同步电机的状态监测。针对上述问题，提出了一种基于声纹识别的永磁同步电机深度学习模型，旨在通过深度学习技术高效地监测和诊断电机运行状态。【方法】采用小波去噪算法减少噪声干扰，提升信号质量，进而提升信噪比，确保模型能够更清晰地提取梅尔谱特征，为故障识别和分类奠定基础。然而，直接使用卷积神经网络提取梅尔谱特征可能会削弱特征间的关联性，影响故障识别的精度。引入空间注意力机制，通过加权增强特征的空间位置相关性，使模型关注最关键的部分，提高特征提取的有效性。为提升模型的识别准确率，对梅尔谱特征进行归一化处理，并采用AAM-softmax损失函数。该函数通过强化类间约束，提高模型在不同类别之间的区分能力，进而提升识别精度和泛化能力并优化训练过程，使模型更好地适应不同工况。【结果】仿真测试结果表明，所提出的模型在训练集上表现出色，能够准确识别电机的不同运行状态，并在测试集上展现出较强的泛化能力。实验结果证实，基于深度学习的声纹识别方法能够有效监测永磁电机的多种运行状态，准确度较高且实用性较强。【结论】基于声纹识别的永磁同步电机深度学习模型能够有效去除噪声并提取关键特征。通过引入空间注意力机制和AAM-softmax损失函数，显著提升了模型的识别精度和泛化能力。该模型具有广阔的发展前景，可广泛应用于永磁电机的状态监测与故障诊断，推动电机智能化维护技术的发展。