在“工业4.0”的背景下,各类旋转机械日趋复杂化和智能化,同时对健康状态识别与预测方法的智能性、准确性、自适应性和工程实用性等提出了更高的要求。得益于深度学习模型强大的自适应特征提取能力,基于深度学习的旋转机械智能健康监测方法具有很好的发展前景,且已在恒工况、单振动信号等简单的监测条件下展现出了优异的性能。然而在复杂的工业现场监测条件下,一方面由于振动监测位置点较多、运行工况复杂多变和设备退化速率时变等因素的影响,状态监测数据中包含的信息成分十分复杂,难以充分提取有效的健康状态特征和性能退化趋势特征;另一方面,在运行工况时变、退化速率时变和历史故障数据难以获取等条件下,无法满足深度学习模型的“独立同分布”和“训练样本充足”这两个限制性假设,导致难以实现准确的健康状态识别与剩余寿命预测。基于以上背景,本文研究了基于深度学习的复杂条件下旋转机械健康状态识别与剩余寿命预测方法。重点针对常见的多点振动监测条件、变工况条件、小样本条件和退化速率时变条件下监测信号的特点,分别对深度学习模型进行了改进,提出了适用于复杂监测条件的健康状态识别模型和剩余寿命预测模型,解决了现有深度学习方法在复杂监测条件下存在的“特征提取能力差”和“不满足深度学习两个基本假设”这两方面的问题。具体研究工作及创新性成果如下:首先,针对现有方法难以从多点振动监测数据中充分提取健康状态特征的问题,提出了时间分布式卷积长短时记忆（TDConv LSTM）模型。针对多点振动监测信号非线性时空相关且采样率高的特点,该模型同时考虑了多点振动监测数据在空间和时间两个维度的相关特征,先后采用分布式的局部时空特征提取模块和全局时空特征提取模块来充分提取时空融合特征,在提高模型特征提取能力的同时保证了计算效率。通过多点振动监测条件下的齿轮箱健康状态识别实验和特征可视化分析证明了该模型可以提高多点振动监测条件下的健康状态识别正确率。然后,针对现有方法在变工况条件下难以提取不受工况影响的健康状态特征,不满足独立同分布假设,导致在未知工况下的识别性能差的问题,提出了基于多尺度自适应加权卷积神经网络（AWMSCNN）模型的工况自适应健康状态识别方法。设计了多尺度特征提取模块和多尺度特征自适应加权模块,使模型可以随工况的变化自适应地对多尺度特征进行加权调制,增强对健康状态敏感的特征并抑制对工况敏感的特征和其他无用特征,从而最终提取不受工况影响的健康状态特征。通过变工况条件下的轴承健康状态识别实验以及自适应权重向量和特征的可视化分析,证明了该模型具有对噪声、转速变化和负载变化的自适应能力,并提高了变工况条件下的健康状态识别正确率。进一步针对AWMSCNN模型在工程实际应用中存在的模型训练样本不足的问题,提出了小样本条件下基于模型参数跨设备迁移的模型训练方法,提升了小样本条件下AWMSCNN模型的健康状态识别正确率。通过列车轮对轴承在小样本条件下的变工况健康状态识别实验进行了方法验证,并研究了AWMSCNN模型各模块的可迁移性和目标模型再训练策略,为再训练策略的选择提供了理论依据。最后,针对现有的剩余寿命预测方法只利用固定尺度的退化趋势特征,在设备退化速率时变条件下难以动态精确感知性能退化趋势并准确预测剩余寿命的问题,提出了基于多尺度自适应加权长短时记忆（AWMSLSTM）模型的寿命预测方法。设计了多尺度性能退化趋势特征提取模块和多尺度性能退化趋势特征自适应加权模块,使模型能够根据退化速率的变化自适应地调整不同时间尺度内的性能退化趋势特征对预测结果的贡献率。通过轴承时变退化速率条件下的剩余寿命预测实验和权重向量的可视化分析,证明了该模型可以根据退化速率的变化自适应地动态感知旋转机械的性能退化趋势并提升剩余寿命预测性能。