滚动轴承能够减少运动部件之间的摩擦使机器有效运转,已成为旋转机械的重要部件。据统计,滚动轴承失效是导致旋转机械故障的重要因素^[14]。如何及时准确识别滚动轴承故障已成为故障检测领域的重要研究方向。随着工业物联网的快速发展,故障诊断进入了大数据时代,而人工智能技术的不断完善为轴承故障识别提供了一个技术途径。本文利用深度神经网络在大数据环境下对轴承故障的模式识别问题进行研究。首先分析了轴承故障的特征,使用频域分析、包络谱分析和小波分析等方法对滚动轴承故障信号进行了处理,从多个角度对轴承故障信息进行了特征表示,提取了轴承故障的多方面特征。研究了深度神经网络的权值初始化方法,提出一种基于样本的前馈深度神经网络的权值初始化方法,该方法设置的初始权值具有随机性且与样本有关。利用凯斯西储大学（CWRU）轴承数据对所提的算法进行了测试,并与权值随机初始化进行了对比,结果表明该权值初始方法能够在一定程度上加速深度前馈神经网络的训练。研究了轴承故障的智能识别方法,提出了一种基于集成深度神经网络和相关系数的滚动轴承故障识别算法。该算法使用三个深度神经网络（DNN）分别从频域,小波域和包络谱角度来识别轴承故障,采用相关系数分析评估这三个DNN的识别结果,并通过对三个DNN识别结果的融合处理来提高识别的可靠性。使用CWRU轴承数据,分别用同源数据和非同源数据对所提出的故障识别算法进行了测试。测试结果显示无论是同源数据还是非同源数据,所提算法比单个DNN具有更好的故障识别准确率,这表明该方法具有很强的泛化能力。本文的研究为轴承故障智能诊断提供了一定的技术支撑。