随着智能工业化的发展,旋转机械设备被广泛应用于各种生产场景中,滚动轴承更是其中的核心,因此对滚动轴承健康状态的诊断具有重要意义。本文以滚动轴承为研究对象,利用深度学习技术对传感器采集到的振动信号数据进行故障诊断研究,主要研究内容如下:（1）针对时序信号特征不明显、常规卷积层特征提取能力差的问题,研究了一种基于短时傅里叶变换（STFT）和残差嵌套卷积网络的故障诊断方法。采用STFT提取原始信号的时频域信息相较于时域信息更能够反映滚动轴承的故障特征。为了加强低层次特征对常规卷积层输出的影响,设计了残差嵌套卷积网络。残差嵌套卷积网络有内外两层残差结构,所有的n×n卷积核都被替换为1×n和n×1两个卷积核,能够减少模型参数。经实验证明,所提的故障诊断方法相较于其他4种对比方法效果更好。（2）针对源域与目标域变工况情况下数据分布不一致的问题,研究了一种改进胶囊网络的变工况故障诊断方法。胶囊网络能够同时对特征间的空间信息与特征存在概率进行编码,提取源域和目标域之间的空间领域不变特征。引入残差嵌套卷积网络、通道注意力、内卷网络替换胶囊网络的卷积层,能够加强对输入信息的学习。经实验证明,所提的故障诊断方法当源域和目标域的分布差异较大时,也能获得89.4%的准确率,均优于对比方法。（3）针对真实场景下强噪声、深度学习模型参数量大和人工特征设计复杂的问题,研究了一种改进深度残差收缩网络的轻量级故障诊断方法。该方法直接将归一化后的振动信号数据输入模型中,无须人工提取信号处理的相关特征。为构建轻量级模型,将卷积层全部替换为蓝图可分离卷积,并利用分组结构减少网络参数。设计了多方向协同注意力网络,对多个方向上的空间信息进行编码得到空间特征向量和空间特征面,编码后的信息通过挤压、激励、融合操作有效地提高了特征提取能力。改进的深度残差收缩网络将不同通道信息计算权重并与特征面加权求和,有助于增强模型抗噪性。经实验证明,所提的故障诊断方法在单一噪声数据集和混合噪声数据集中表现优异。