作为旋转机械的核心部件,滚动轴承广泛应用于交通、航空、高端精密机床、仪表仪器等重要领域,起着支承转动轴及零件的重要作用。因此,轴承的可靠性直接影响到旋转设备乃至整个机械设备系统的安全性。本文以滚动轴承为研究对象,运用深度学习的方法,对轴承的特征提取、寿命预测等方面开展相关研究,主要内容如下:首先,滚动轴承的振动信号作为一维序列信号,其中蕴含着大量的时序信息,为了对其充分利用,本文采用了一种结合卷积神经网络（Convolutional Neural Networks,CNN）和门控循环单元（Gated Recurrent Unit,GRU）的神经网络模型,对轴承RUL进行预测。其中,一维CNN具有强大的空间特征提取能力,能快速有效地提取出一维序列中的空间信息;由于GRU独特的循环结构,使得它具有记忆功能,可以有效提取出被CNN遗漏的时间特征,因此CNN-GRU模型能够获得更深层次的轴承退化趋势特征,提高滚动轴承剩余使用寿命（Remaining useful life,RUL）的预测精度,并通过实验验证了该方法的有效性。其次,为了进一步提高滚动轴承的RUL预测精度,提出了改进的CNN-Bi GRU-AM模型。双向GRU（Bidirectional Gated Recurrent Unit,Bi GRU）的双向循环结构可以使每个隐藏层在特定的时间步长同时捕获过去和未来的信息,因此可以提取出更加全面的轴承退化特征。同时,为了实现计算资源的更优配置,在网络中引入注意力机制（Attention Mechanism,AM）动态调整每个通道的权重值,进而调整网络模型对不同通道的注意力分配,可以在有限计算资源的条件下,达到最优的模型训练效果。最后,使用PHM2012轴承退化数据集进行实验验证。在数据预处理阶段,为了使网络模型能够捕捉到不同时间步长之间的潜在关系,提高滚动轴承RUL预测精度,对数据集中的样本进行滑窗法处理;针对RUL预测结果局部区域出现较大波动,不能很好反映真实寿命值的问题,使用加权平均的降噪方法对预测结果进行平滑处理。实验结果表明,CNN-Bi GRU-AM模型可以有效地完成轴承RUL预测任务,与其他神经网络模型相比,本文所提模型获得了最低的RMSE值和最高的Score得分,并在XJTU-SY轴承数据集上验证了所提模型的鲁棒性和泛化性能。实验证明,本文所提方法实现了“端到端”的滚动轴承RUL预测。