滚动轴承是直接影响旋转机械设备传动效率和安全性的重要传动结构,但传统滚动轴承故障诊断技术的诊断准确率相对不高,因此研究一种高诊断准确率的故障诊断技术,对提高旋转机械设备安全性保障具有重要意义。深度神经网络因为具有对大数据的自适应学习能力和高准确率的优点,目前已然成为滚动轴承故障诊断领域的先进算法,故本文将建立五种基于深度神经网络的滚动轴承故障诊断模型,对正常、外圈故障、内圈故障、滚动体故障和三种复合故障等工况数据进行训练学习和智能分类,并对比研究各模型的诊断准确率、推理时间和收敛时间,为基于深度神经网络的滚动轴承故障诊断算法选择提供参考。本文首先基于实验室台架试验数据和美国凯斯西储大学的滚动轴承数据分别建立了两种长短时记忆网络、二维卷积神经网络、一维卷积神经网络和图卷积神经网络模型。其中,一种长短时记忆网络、二维卷积神经网络和图卷积神经网络以二维图像作为输入,故需先通过信号处理方法对一维振动信号进行数据预处理,生成二维图像数据集。其次,为了选取最优的数据预处理方法,基于诊断准确率研究了快速傅里叶变换、短时傅里叶变换、小波变换和维格纳-威利变换四种信号处理方法的适用性。研究结果表明:在使用二维图像数据的长短时记忆网络和二维卷积神经网络模型中,快速傅里叶变换信号预处理方法最优,其推理时间较短且诊断准确率分别达到了99.11%和99.99%;在图卷积神经网络模型中,小波变换信号预处理方法最优,诊断准确率达到了99.53%。最后,对五种模型的实验结果进行多维度的横向对比分析,研究结果表明:一维卷积神经网络模型具有对于各类工况状态（包括正常、外圈故障、内圈故障、滚动体故障以及三种复合故障等）的最高诊断准确率、最短推理时间和最短收敛时间的性能表现,诊断准确率达到了100%,是综合性能最优的滚动轴承故障诊断模型;在两种长短时记忆网络故障诊断模型中,使用一维振动信号的模型比使用二维图像数据的具有更高的诊断准确率和更短的推理时间,但综合效果都略低于一维卷积神经网络模型;二维卷积神经网络和图卷积神经网络模型具有诊断准确率高的优点,但诊断前需对信号进行预处理,诊断时间较长。因此,一维卷积神经网络模型是本文深度神经网络模型中最适用于滚动轴承故障诊断的算法,具有准确率高、实时性强等优点,针对滚动轴承传统故障诊断技术准确率不足问题可优先选择此类算法。