作为旋转机械的核心组件,滚动轴承被广泛应用于航天、航空、国防、基建、交通等重要领域。在这些领域中,滚动轴承能否正常运行直接关系着复杂装备能否正常工作。一旦轴承出现故障,将可能引起严重的经济损失和人员伤亡,因此开展滚动轴承的健康管理研究十分重要。作为健康管理中重要一环,剩余寿命预测（Remaining useful life,RUL）能提供距离轴承完全失效的剩余使用时间,为工厂任务决策和设备维护提供了重要参考标准。近些年随着传感器技术和工业互联网的快速发展,滚动轴承的监测数据源源不断,这其中人工智能技术因其优秀的非线性映射能力、自主的数据特征挖掘能力和简洁的建模流程,得到了学者们的广泛关注,因此本论文主要开展基于人工智能的RUL方法研究。然而,目前基于人工智能的RUL方法缺乏良好的早期故障起始点判别手段、尚未形成统一的网络建模理论、缺少全寿命样本数据,导致其预测效果不佳,无法在工程中进行推广和应用。因此,本论文深入开展了滚动轴承早期故障特征提取方法研究、深度神经网络建模研究和全寿命数据再生研究,完善基于人工智能的RUL研究体系,推动轴承RUL预测方法在工程中的应用。在不同研究中,本文的工作主要如下:（1）针对滚动轴承早期故障特征提取困难的问题,本文提出了自适应谱模态提取方法（Adaptive spectrum mode extraction,ASME）,结合散布熵指标和包络谱分析方法,提取滚动轴承振动信号中早期微弱故障特征频率。在ASME方法中,首先将六倍故障特征频率最小带宽限制与尺度空间融合,提出了故障特征尺度空间方法,自适应地确定变分模态分解方法（Variational mode decomposition,VMD）的模态分解层数;然后根据故障特征尺度空间划分的不同频带,提出了谱聚集因子,自适应确定各个本征模态函数（Intrinsic modal function,IMF）的惩罚因子,提高VMD的收敛速度;最后为了确保VMD结果的稳定性,提出了越界准则,修正VMD的分解参数。（2）针对基于人工智能的RUL方法缺乏早期预测起始点判别机制问题,首先结合ASME方法,提出了故障特征增益指标,定量评估轴承的损坏程度。然后,融合拉依达准则,建立了滚动轴承早期故障判别机制,识别滚动轴承早期故障起始点。最后,制定了滚动轴承时域、频域和时频域特征融合的框架,并构建了时间卷积神经网络（Temporal convolutional network,TCN）,深入探讨了TCN的建模理论,对比经典的长短时记忆网络、门控循环单元,分析TCN网络在RUL预测方面的优势。（3）针对基于人工智能的RUL方法缺乏全寿命样本的窘境,提出了数据再生框架,自动地生成全寿命轨迹相似、局部波动各异的滚动轴承全寿命样本。在该框架中,首先提出了全局增益指标和局部增益指标,识别滚动轴承的正常运行阶段、缓慢退化阶段、自愈退化阶段和加速退化阶段。然后,定义了全寿命样本再生法则,包括恒等变换方法、退化状态概率分布和全寿命样本再生准则三部分,服务滚动轴承全寿命样本再生过程。最后,建立滚动轴承不同状态样本数据库,针对数据库存在的状态样本不均衡问题,提出了数据库增强框架,丰富和均衡状态样本数据,为滚动轴承全寿命数据再生提供数据来源。