机械故障诊断技术在预防设备故障,保证设备安全稳定运行方面发挥了重要作用。滚动轴承作为机械设备的核心部件,及时对其进行故障诊断可以有效避免事故的发生并减少经济损失。随着智能化故障诊断技术的发展,基于深度学习的自动特征提取方法被广泛应用于轴承故障诊断,相对于传统故障诊断方法展现出了诸多优势。本论文以滚动轴承为研究对象,基于深度学习技术对滚动轴承故障诊断方法进行了研究。本文的主要研究内容如下:（1）本文首先对滚动轴承的结构进行介绍,分析故障产生的机理以及不同故障的特性,为后续故障诊断方法的设计提供理论基础。之后介绍了深度学习技术中广泛应用的卷积神经网络（CNN）与循环神经网络（RNN）及其变体结构,根据特征提取的原理分析了相关模型的优势与不足,奠定了本文基于多级抽象时间特征融合的故障诊断方法的研究思路。（2）针对经典CNN结构特征提取尺度不够丰富,且缺少时间依赖性等问题,提出一种将Inception模型与双向长短时记忆神经网络（BLSTM）相结合的滚动轴承故障诊断方法。该方法将一维轴承振动信号作为输入,利用Inception模型从多个通道并行提取多尺度抽象特征。由BLSTM从前向和后向对特征序列进行建模,充分捕捉特征信息在时序上的长期关联性。实验验证了所提方法经典深度学习模型具有更高的故障识别准确率以及抗干扰能力。（3）针对经典CNN结构在卷积层之间的特征传递效率不高,以及特征提取层级固定等问题,提出一种将Dense Net与BLSTM相结合的滚动轴承故障诊断模型。首先通过Dense Net模型自适应提取多级抽象特征并融合,最大程度地学习局部抽象特征。然后利用BLSTM对特征序列赋予时间依赖性。最后,通过全连接层以及Softmax分类器进行故障模式的分类。实验结果表明所提出方法能更准确地识别出轴承故障程度并定位,在变工况下对轴承故障的识别精度达到了99.5%,具有良好的负载适应性以及鲁棒性。