滚动轴承是旋转机械中关键承载和运动传输部件,在机械设备中应用广泛。滚动轴承的性能对旋转机械设备系统的安全可靠运转有重要影响,其故障可能会引发整个旋转机械系统的灾难性崩溃,造成巨大损失。因此,及时检测并诊断出滚动轴承故障是维持旋转机械设备可靠运行的重要手段。本文以滚动轴承为研究对象,重点研究了轴承振动信号故障特征提取技术,小样本条件以及噪声环境下的轴承故障诊断技术等,主要研究内容分为以下几个部分。首先从滚动轴承故障机理入手,分析轴承典型故障成因和故障类型。并在此基础上设计滚动轴承典型故障模拟实验,采集故障振动数据,建立数据集。使用局部均值分解法对振动信号进行模态分解,基于峭度准则挑选出包含故障特征的分量信号进行包络分析,有效提取出轴承典型故障的特征频率,实现了基于特征频率的轴承故障初步筛分。针对频域特征的局限性,研究了轴承振动信号的时频域分析方法,并建立了轴承故障振动信号的时频图像数据集,为后续诊断工作做准备。接着基于时频图像数据,研究卷积神经网络（Convolutional Neural Network,CNN）在轴承故障诊断中的应用。从CNN算法实现原理入手,针对其对于振动信号利用效率不佳、样本需求量较大等问题,提出采用时频图像作为CNN的输入。搭建了适用于轴承故障振动数据的短时傅里叶变换-卷积神经网络（STFT-CNN）联合故障诊断模型,并根据轴承故障数据的特点,通过对比模型结构和算法对故障诊断结果的影响对模型进行优化。实验证明该模型可以在减少80%样本量的条件下达到更高的诊断精度,对实验数据的诊断准确率达到99%以上。最后重点对噪声环境下的轴承故障诊断算法进行研究,提出了一种基于卷积自编码器（Convolutional Auto Encoder,CAE）和深度残差网络（Deep Residual Network,DRN）的CAE-DRN联合故障诊断模型。首先借助深度残差网络的强特征学习能力,结合噪声环境下轴承振动信号的特点,搭建并优化了适用于噪声环境下轴承故障诊断的STFT-DRN模型。实验验证了所提模型在中等噪声强度下相比于STFT-CNN具有更好的抗噪性能,故障诊断准确率均在90%以上,但在大噪声条件下仍表现欠佳。针对此问题,提出采用CAE对大噪声环境下的时频数据进行降噪处理,再送入DRN中进行诊断。实验证明CAE-DRN模型可在-9.5d B信噪比条件下达到87%以上的故障诊断准确率。