在工业生产中,轴承作为旋转机械的核心部件,广泛应用于交通、机加工、航空航天、仪器仪表等许多领域。在使用过程中,轴承的可靠性对于保障生产的正常进行、保障人民生命财产安全都是非常重要的。轴承的剩余寿命预测可以在早期阶段预知轴承可能发生损坏的时间,以便进行及时的维护,因此,对轴承的剩余寿命预测具有非常重要的意义。本文以滚动轴承为研究对象,使用深度学习方法,对轴承的剩余使用寿命进行预测,主要工作和研究内容如下:首先,为了解决长短期记忆网络的长期依赖问题,同时提高预测精度,提出了一种基于长短期记忆网络与Transformer网络相结合的轴承剩余寿命预测模型。模型使用长短期记忆网络,提取信号中时频域指标中的退化信息,然后由Transformer网络对退化趋势进行进一步处理并进行预测,由于Transformer网络可以对前后数据的相关性进行整合,一定程度上弥补了长短期记忆网络的不足。计算结果表明,该模型比几种常用的剩余寿命预测模型具有更好地预测精度。其次,为了进一步提高预测性能,提出了一种基于小波阈值去噪、随机森林特征提取和有序神经元长短期记忆网络的轴承剩余寿命预测方法。小波阈值去噪算法可以减少无用噪声的干扰,随机森林特征选择算法可以选择出更能表征退化趋势的特征,有序神经元长短期记忆网络在长短期记忆网络的基础上添加了层级结构,高层级的重要信息更容易保存下来,有利于提高模型性能。实验结果表明该模型比几种常用的预测模型有更高的预测精度和计算效率。最后,为了在减少人工干预的同时提高预测精度,提出一种基于残差网络和有序神经元长短期记忆网络的滚动轴承剩余寿命预测方法。使用残差网络进行高维特征提取,省去了人工提取特征的同时可以挖掘更深层次的退化信息,然后使用有序神经元长短期记忆网络对残差网络输出的退化信息进行进一步处理,层级结构更有利于对有用信息的提取,通过在两个公开轴承数据集上的实验表明,与多种常用方法相比,该模型不仅有较高的预测性能,而且具有较强的泛化性。