传动系统作为直升机的重要组成系统,其健康状态的好坏直接影响直升机的安全性能。由于长期处在高温重载的工况下运行,轴承、齿轮等传动系统关键部件极易发生故障,因此,研究直升机传动系统关键部件的故障预测方法对于维护装备性能、减少事故发生具有重要意义。然而,目前大部分传统的数据驱动预测方法受限于需要较多的先验知识和专家经验等条件,预测效率不高,而深度学习具备自适应特征学习、拟合能力强等优点,为提升直升机传动系统关键部件的状态监测与故障预测能力提供了新思路。本文以直升机传动系统关键部件中的滚动轴承为研究对象,基于深度学习开展故障预测方法的研究。主要研究内容包括:（1）总结梳理了应用于机械故障预测领域的常见深度学习模型。对各种深度学习模型的基本结构,核心思想及应用场景进行了详细介绍,为后续的研究工作奠定理论基础。（2）研究基于卷积自编码器（Convolutional Autoencoder,CAE）的退化特征提取方法。针对轴承全寿命退化数据,设计卷积自编码器从中自适应提取多组候选编码特征,基于单调性、相关性、鲁棒性三个特征评估指标对这些候选特征进行特征性能综合评估,并从中选择评估结果最优的特征作为退化特征。在实验和加噪仿真实验两种场景下,通过与时域统计特征和融合特征对比,验证方法的有效性。（3）研究基于长短时记忆（Long Short-Term Memory,LSTM）网络的预测方法。在已经得到退化特征曲线的基础上,基于LSTM网络分别开展短期退化状态预测和剩余使用寿命（Remaining Useful Life,RUL）预测,通过预测评估指标对预测模型的性能进行评估,并且设计了对比实验,验证方法的可行性与有效性。综上所述,本文基于深度学习主要研究了退化特征提取、退化状态预测和RUL预测方法,结果表明:在可用数据量足够多的前提下,与传统的故障预测方法相比,基于深度学习的故障预测方法效率高,通用性好,能够得到较好的预测结果。