针对工业大数据背景下,传统的滚动轴承健康状态识别方法需要检测人员丰富的先验知识且效率低,现有的基于卷积神经网络轴承故障诊断方法存在网络复杂、训练参数多、模型泛化性弱的问题,提出并构建了两种基于轻型卷积神经网络构建的滚动轴承故障诊断模型,并应用于两类不同的轴承实验数据集中,就变负载环境、高噪声环境以及模型泛化性等问题对模型进行了验证。主要研究工作如下:（1）建立了训练和测试模型的滚动轴承数据集。从轴承的基本结构及其振动机理入手,分析滚动轴承典型的几类故障类型、产生的特征频率以及导致发生故障的原因。从各类信号处理方法中挑选出局部化特性较好的小波分析,对凯斯西储大学轴承数据集和西安交通大学轴承数据集通过连续小波变换生成时频图,从而建立训练模型的数据集。（2）提出一种结合改进Incetpion V2模块和CBAM的轴承故障诊断方法并验证其准确率。对Inception V2模块增加平均池化分支,引入CBAM注意力机制、添加BN层等优化操作对模型进行改进和优化,借助两所高校开源的轴承数据集验证其性能,并获得100%的准确率,在变负载以及高噪声条件下平均准确率分别达到94.1%和94.92%。（3）提出基于深度可分离卷积的滚动轴承故障诊断方法并验证了其准确率。结合谷歌Efficient Net V2模型与Inception结构的特点,凭借引入深度可分离卷积、残差结构以及Swish激活函数等操作,获得了性能更好的故障诊断模型。通过在相同数据集下的验证,该模型不仅收敛速度快,而且准确率达到了100%,在变负载条件下准确率达到96.72%。本文提出的两种融合多尺度卷积特征的轴承故障诊断方法,通过在两类滚动轴承实验数据集中的验证表明,在变负载、高噪声环境下均具有较好的识别效果,且具有较好的泛化性和稳定性。