针对涡轮叶片裂纹故障数据少造成叶片样本不均衡，从而影响叶片裂纹诊断精度的问题，提出一种基于深度聚焦动态加权条件变分自编码（deep focal loss based dynamically weighted conditional variational autoencoder，简称DWCVAE-DFL）网络的不均衡叶片裂纹诊断方法。首先，设计了一种深度聚焦损失函数（deep focal loss， 简称DFL），可动态赋予不同健康状态样本不同权重，实现网络对少数类故障样本的聚焦学习；其次，采集不同深度裂纹叶片的三维叶尖间隙（3D-blade tip clearance， 简称3D-BTC）构建不均衡叶片裂纹样本集，通过DWCVAE-DFL网络对不均衡叶片裂纹样本的特征分布进行学习，并利用张量融合网络对不同维度特征进行融合；最后，将融合特征作为SoftMax分类器的输入，对不同深度裂纹进行分类。结果表明，所提方法在不同不均衡比下均表现出良好的诊断效果，优于传统的故障诊断方法。