以人工智能为核心的故障预测与健康管理技术是保障旋转设备健康平稳运行的重要手段之一。本文选取滚动轴承和涡轮发动机为研究对象,针对故障预测在实际应用中存在的故障数据匮乏导致分类预测精度偏低、传统健康退化曲线需服从线性或指数分布假设而难以准确描述设备退化过程及单一预测模型泛化能力差、预测精度低等问题,综合运用信号处理和深度学习技术,开展故障数据增强、无监督退化指标构建及剩余使用寿命预测方法研究。主要内容如下:（1）基于生成对抗网络的故障数据增强方法针对旋转设备故障数据获取难度大、成本高,训练数据不均衡导致算法预测精度偏低等问题,提出了基于梯度惩罚Wasserstein距离生成对抗网络的故障数据增强方法。首先将一维振动信号转为二维灰度图像,在获取丰富特征信息的同时避免了对信号处理专业知识的依赖;然后利用对抗网络的博弈机制,以少数类灰度图像作为网络模型的输入,生成更多故障样本以降低原始样本的不均衡性;同时引入结构相似性定量评价指标,解决了对抗网络自身生成数据难以量化评估的问题。实验结果表明,该方法能够改善传统分类器在故障样本稀少情况下的性能,分类预测准确率提高了3到8个百分点。（2）基于LSTM-AE网络的无监督健康退化指标构建方法针对传统有监督退化指标构建方法依赖于大量标签数据和退化曲线需服从线性或指数分布假设的缺点,提出了一种无监督健康退化指标构建方法。通过构建的长短期记忆-自编码网络,以无监督方式自动挖掘设备退化过程中的趋势特征并对其进行编码重构。然后利用设备在健康阶段和退化阶段的特征必然存在差异的思想,引入重构误差进一步构建健康退化指标。实验结果表明,该方法所构建的退化指标更加平滑且无异常值干扰,能够更准确地反映设备的健康退化过程。与传统方法相比,其单调性、预测性、趋势性分别提升了28.98%、24.12%、26.12%。（3）基于CNN-BLSTM网络的旋转设备剩余使用寿命预测模型针对单一方法的剩余使用寿命预测模型存在故障敏感特征提取不彻底,未能兼顾传感器数据的中长期依赖关系与非线性特点进行建模等问题,提出了一种融合卷积神经网络和双向长短期记忆网络的端到端深度预测模型。模型以原始监测数据为输入,利用双通道并行结构同时挖掘隐藏在传感器数据背后的空间联系和时序相关性,并通过添加融合层和全连接层对提取的特征进行有效融合和更高维度的表示,从而提升模型的预测精度,实现了端到端式的智能预测。两组剩余使用寿命预测实验表明,所提组合模型相比于单一预测方法预测精度更高,对复杂监测数据的鲁棒性更强。