滚动轴承被称为“工业的关节”,是一种在军事、生产、设备开发等诸多领域中应用十分广泛的基础件,在国民经济和国防事业中发挥着十分重要的作用。滚动轴承作为传动系统中的重要组成部分,其运行状态的可靠性对机械系统有着直接的影响。因此对滚动轴承进行健康状态管理,实现对滚动轴承的剩余寿命预测,可以对整个机械系统的安全运行提供保障。近年来,随着计算机算力的稳定提高和工业生产力水平的快速发展,国内外对大型设备的健康管理要求越来越规范,在大数据的时代背景下,人工智能技术备受人们青睐,学者们对基于深度学习方法实现对轴承的寿命预测越来越重视。然而在现阶段,基于深度学习所建立的寿命预测模型普遍难以充分挖掘到有效的时序信息,直接通过网络模型提取到的特征关联性较差,从而导致预测精度较低。为解决上述问题,本文以特征提取为出发点,对滚动轴承展开研究,通过对滚动轴承的振动信号进行特征提取,以相似度度量的方法进行特征构造,并对所得特征进行了敏感特征的筛选,完成对特征集的构造,并作为本次研究的轴承退化特征。然后基于选用数据的特点,采用一维卷积神经网络,利用卷积神经网络具有局部连接和权值共享等特点,构造了基于一维卷积神经网络的健康指示器。然后通过该模型预测滚动轴承的退化值,并绘制退化曲线,通过曲线拟合的方式得到轴承的剩余寿命预测值。最后利用粒子滤波算法对预测精度进一步提高,并针对粒子滤波算法中易出现粒子退化和粒子多样性丧失的问题,对其进行了改进,通过改进重采样过程,引入新的适应度函数,减轻了粒子退化造成的影响并有效提高粒子多样性,再通过对比实验验证,证明基于改进后的粒子滤波算法能够提高轴承退化预测值的精确度,并最终映射到滚动轴承的寿命预测上,达到对滚动轴承实现剩余寿命预测的目的。