随着当代工业系统结构的不断复杂化,设备的规模不断扩大,运行环境愈加苛刻,导致系统设备频繁发生故障。旋转机械作为工业系统中的重要设备,对其进行有效的剩余寿命预测研究,有助于降低系统设备的故障隐患,并提高生产效率和生产效益。滚动轴承作为旋转机械设备的重要部件,其状态与设备的安全运行密切相关。准确预测滚动轴承的剩余使用寿命可以提高设备工作的可靠性,同时也可以为设备的预防性维护提供实用参考。因此,如何利用智能技术对滚动轴承进行高精度的剩余寿命预测是十分必要的。本文以实际轴承作为研究对象,利用深度学习技术对采集的轴承振动信号进行分析与建模,实现其剩余寿命的预测。主要研究内容如下:（1）针对传统深度学习技术难以从轴承信号中提取不同尺度的退化特征,同时难以学习到轴承的局部和全局的退化特征,从而影响轴承剩余寿命预测精度低的问题,本文以提取轴承数据的多尺度退化特征为切入点,提出了一种一维多尺度卷积神经网络（one-dimension multi-scale convolutional neural network,1D-MSCNN）预测模型用以实现轴承退化状态的准确估计。首先,利用一次退化函数,建立有效的轴承健康状态指标（Health Index,HI）。其次,采用多尺度卷积结构充分提取原始数据的深层代表性特征。最后,通过对PRONOSTIA数据集的实例研究,实验结果表明,本文提出的1D-MSCNN预测模型相较于其他先进方法具有更高的预测精度。（2）针对在剩余寿命预测过程中所提取的代表性特征在模型训练过程中弱化与丢失问题,提出了一种带注意力机制的多尺度卷积神经网络预测模型用以实现轴承退化状态的准确估计。该模型利用连续小波变换与二次退化函数结合,建立了有效的轴承健康状态指标,并通过多尺度卷积模型充分提取数据的深层特征,同时结合卷积注意机制（convolutional block attention module,CBAM）加强代表性特征在网络中的流通能力。最终,通过对PRONOSTIA数据集的实例研究,验证了所提出的CBAM-2DMSCNN模型具有较高的预测精度,也为滚动轴承的RUL预测提供一种可行的解决方案。（3）针对单一预测模型难以有效提取数据中的时空信息特征和人为构建的退化指标无法描述在某一特定时间点轴承的退化状态等问题展开研究,提出一种基于单调退化指标的多尺度卷积长短时记忆网络的轴承RUL的预测模型。首先,对提取的18个时频特征进行单调性分析,选用单调性较强的特征进行平滑处理后构建轴承的退化指标。然后,结合MSCNN提取的多尺度空间特征和长短时记忆（long short term memory,LSTM）神经网络提取的数据时间特征构建时空特征集,并以此建立基于时空特征信息融合的MSCNN-LSTM预测模型。最后,选用五种RUL预测过程中常用的评价指标:均方根误差（root mean square error,RMSE）、对称平均绝对百分比误差（symmetric mean absolute percentage error,SMAPE）、决定系数（R~2）、相对精度（relative accuracy,RA）和评分函数对预测模型进行评估,通过与MSCNN、CNN、LSTM和循环神经网络（recurrent neural network,RNN）进行对比,以西安交通大学XJTU-SY轴承数据集为例验证了所提模型MSCNN-LSTM的有效性。