燃气轮机转子系统作为燃气轮机关键部件，由于难以获取敏感故障特征导致故障诊断精度不高，影响设备的安全服役。针对以上问题，提出一种改进深度Q网络（DQN）深度强化学习燃气轮机转子系统故障诊断方法。首先，以采集的一维工况原始振动信号为输入，该DQN模型的环境状态采用故障样本集组成，转子故障类型为当前模型输入的动作集合；然后，DQN模型的智能体使用一维宽卷积神经网络（WDCNN）拟合得到Q网络，并使用ε-贪婪策略做出决策动作，反馈奖励和下一状态并存储到经验池内；智能体内采用时间差分误差（TD-error）优先经验回放，使得算法更加稳定和训练收敛；智能体与环境不断交互决策出最大奖励，输出最优策略故障诊断结果。将该模型应用于西储大学轴承数据集与燃气轮机试车台数据集中，分别达到99.2 %与98.7 %的准确率，可以用于快速有效地进行故障诊断。结果表明该改进DQN模型具有较高的故障诊断准确性与通用性。