滚动轴承是很多旋转设备的核心基础零部件,在机械设备中属于使用频率最高的零部件之一。由于其长时间处于高速、满负荷的工作状况,是最易损坏的机械零部件之一。滚动轴承健康状况直接影响整个设备的安全、可靠运行。因此,准确的轴承故障诊断对于确保机械设备的安全可靠运行起到了至关重要的作用。近年来,深度学习因其强大的学习能力而受到了越来越多的关注,基于深度学习的智能诊断方法与技术为工业大数据分析提供了有效的工具。深度学习中研究和应用最为广泛的是卷积神经网络,但因网络结构复杂、参数较多等因素,会导致训练速度较慢、计算消耗较高,在实际应用中受到极大的限制,因此本文在网络压缩理论的基础上,研究如何在确保网络性能的同时优化网络结构,提高网络的性能和效率,为滚动轴承的智能故障诊断提供可应用的方法。本文的主要研究内容和创新点总结如下:（1）软剪枝算法使用范数作为网络剪枝的标准,但在卷积神经网络的压缩中对卷积核的重要度评估不够准确。对这一问题,本文引入基于一阶泰勒展开的软剪枝算法与卷积网络结合。首先设置网络模型的剪枝率,然后计算每个卷积核的泰勒展开的数值;然后根据泰勒展开的数值进行重要度排序,按照预设剪枝率去除不重要的卷积核,结合网络微调提高模型的分类准确率。实验结果表明该方法可以去除深层卷积网络中的冗余参数,精简后的网络仍具有较高的分类准确率。（2）考虑到剪枝过程需要满足范数方差足够小、最小范数不能太大的要求,而实际数据难以满足这一前提。因此本文引入知识蒸馏和几何中值算法,提出了混合网络压缩方法,从优化剪枝和故障诊断知识提取的角度增强压缩网络的性能。实验结果表明,该方法可以在不满足较小值卷积核剪枝的情况下,较好地平衡压缩结果和分类性能,在确保不显著影响网络分类性能的情况下,可以获得较为精简的网络结构。（3）考虑到采集信号中的噪声会影响深度网络智能诊断的准确性,本文使用自适应噪声完备集合经验模态分解的方法对轴承的信号进行降噪,通过对采集信号的自适应分解,去除复杂轴承观测信号中的噪声,筛选出相关性较强的多个信号分量进行重构,再将其输入智能故障诊断模型进行训练和压缩。实验结果表明信号预处理方法有助于消除噪声的不良影响,压缩后的智能诊断模型仍具有较高的轴承故障诊断准确率。