滚动轴承是制造业中机械装备的重要组成部件,在制造业中得到广泛的应用,随着生产智能化的不断提高,机械设备的健康检测的要求也更加严格。随着人工智能的发展,人工智能被广泛应用于滚动轴承故障诊断领域,正受到人们的越来越多的关注。滚动轴承常处于恶劣的工作环境,不仅故障发生概率高,同时也对其进行故障诊断带来巨大挑战。首先,本文从机理入手对滚动轴承的失效机理进行了分析,并采用有限元虚拟仿真的方法对故障模型进行仿真验证。然后,采用深度学习的方法对滚动轴承典型的失效故障进行了相关的诊断研究。其次,又通过改进深度学习模型对滚动轴承变工况环境下的复杂诊断问题进行分析。最后,将大量虚拟仿真数据和少量实验数据相融合用于驱动深度学习模型的训练,进而对同时处于变工况和噪声环境下的实验采集的数据进行故障诊断。主要研究内容如下:（1）针对滚动轴承在实际运行过程中失效机理复杂的问题。本文从滚动轴承的基础特性出发,对滚动轴承失效振动机理进行了分析。同时,采用有限元方法对滚动轴承常见的外圈故障进行了虚拟仿真,揭示了具有故障的滚动轴承在不同时刻下应力分布情况和各部件运动规律,对滚动轴承的相关失效特性有了进一步的认识。（2）针对深度学习模型对滚动轴承故障诊断的有效性问题。本文对卷积神经网络和双向长短时记忆网络进行了介绍,并结合两者的优点搭建了基本的CNN-BiLSTM网络模型。同时,利用故障模型仿真出不同工况下的不同故障类型的数据并进行了分析。最后,在基于有限元方法虚拟仿真出的不同工况下的滚动轴承故障数据集上,对深度学习模型的故障诊断效果进行了验证。（3）针对常见的深度学习模型在滚动轴承的复杂变工况上故障诊断效果差的问题。本文在CNN-BiLSTM模型的基础上对其进行了改进:在CNN中加入了ResNeXt层和混合注意力机制用于加强网络模型在训练过程中对滚动轴承故障特征的提取,在BiLSTM网络中软注意力机制用于筛选出重要的故障特征。同时,经过大量试验的基础上,对模型改进部分的可行性及其相关机理进行分析,结果表明,本文所提模型对滚动轴承在复杂变工况上有着较好的故障诊断能力。（4）针对滚动轴承实际采集的有用数据相对较少、以及在噪声和变工况环境下故障诊断难度大的相关问题。本文采用将大量仿真数据和少量实验数据相融合的数据集增强方法,通过定量模拟噪声环境,探究不同降噪方法对混合数据集的降噪效果。同时,将降噪之后的混合数据集驱动深度学习模型的训练,用于对实验采集的数据集开展了变工况环境下、同时处于变工况和噪声环境下的滚动轴承故障诊断的试验。在试验验证中,本文所提模型都取得了不错的故障诊断效果。