感应电机以可靠性高、结构简单等优点在船舶领域得到广泛应用。滚动轴承作为感应电机的关键部件之一,属于易损器件,一旦发生故障,会严重影响电机运行甚至船舶航行安全。在当今机械工业自动化与智能化发展的趋势下,大量的设备运行数据使得专家诊断的方式进行设备检测费时费力,基于模式识别方法的异常检测也因此成为热点。本文以船舶电机轴承为研究对象,提出了一种结合卷积神经网络（Convolutional Neural Network,CNN）和支持向量数据描述（Support Vector Data Description,SVDD）的异常检测方法,并在此基础上搭建了一套实用性较强的轴承振动信号异常检测系统。主要研究内容如下:首先,针对当下基于CNN的轴承异常检测方法,在其图像预处理过程中出现的空白像素点浪费、图片分辨率难以确定、图像数据分类及传输繁琐的问题,提出了Signalto-image转化方法以及Mnist-like高速数据传输格式。Signal-to-image转化方法通过对原始信号数据进行拼接,转化为分辨率可调的单通道灰度图像。Mnist-like数据格式使用偏移量定义数据信息,生成图像和标签的压缩文件,无需过多人工调整,可直接在算法程序中读取数据。两种方式解决了图像预处理过程存在的图像数据生成不合理及数据传输速度慢的问题。其次,针对基于CNN的异常检测需要人工定义标签以及实际检测过程中异常数据匮乏的问题,首先通过测试分析Le Net-5及Resnet34两种单一CNN对于轴承振动数据异常检测的优势和不足,总结并提出了将Le Net-5和单分类SVDD结合的CNN-SVDD方法。该方法结合CNN深度特征提取的优势以及SVDD半监督学习的特性,仅需定义正常样本标签,便可在异常数据极少甚至无异常数据的情况下进行轴承的异常检测。经过公开数据集的验证,平均AUC值达到96.50%,具有较高的测试性能。最后,针对CNN-SVDD算法模型的实用性进行进一步试验验证。本文依托应急发电机组进行轴承振动数据的实测,以加速度传感器、数字示波器及便携式计算机配合,自主搭建了轴承振动信号采集系统;采集系统与CNN-SVDD算法搭配,构建了一套检测迅速的轴承异常检测系统。设计了轴承滑油缺失与滑油充足的电机轴承振动对比试验。经过实测数据在算法模型中的多次测试,测试指标平均AUC达到了98.82%。整个检测系统训练及测试过程迅速、精确度高、具有较强的实际应用价值。