近年来,为不断追求高性能、高效率、低成本和安全可靠的机械旋转设备系统,机械设备智能故障诊断受到越来越多的关注。滚动轴承是机械设备的重要部件,一旦发生故障,可能会导致意外甚至灾难性事件。为降低维护成本及避免重大损失,滚动轴承健康监测和故障诊断非常必要。随着以深度学习为主的人工智能技术不断进步,数据驱动模型因其强大的特征提取和泛化能力,在智能故障诊断中得到大量应用,已成为热门钻研方向。经过对现有故障诊断系统的研究与分析,设计一种改进哈里斯鹰优化深度置信网络（IHHO-DBN）的智能故障诊断系统。因为DBN-ELM模型隐藏层节点数一般由人为经验确定,存在偶然性,所以提出一种改进HHO优化DBN隐藏层节点数的方法。一方面传统HHO容易陷入局部最优,于是将差分突变算子加入探索阶段,以增加种群多样性,提高寻优精度;另一方面将逃逸能量因子由线性改进为非线性,以便平衡探索和开发能力,解决HHO全局与局部搜索能力不均衡的问题,最后将IHHO算法应用于DBN-ELM模型构建故障诊断系统。本系统使用美国凯斯西储大学轴承数据集,软件系统一共设计为五个模块:注册登录模块、用户管理模块、原始数据处理模块、模型构建模块和智能故障诊断模块。在原始数据处理模型中,采用最大二阶循环平稳盲解卷积算法（CYCBD）对微弱故障或低信噪比脉冲信号实现降噪,以增强信号中的周期性冲击成分,然后选取时域特征向量,作为模型输入;模型构建模块中采用本文提出的改进HHO算法来确定DBN-ELM网络结构,构建诊断模型;最后,在智能诊断模块中判断未知故障的类型,得到诊断准确率。最后,实验结果表明本文提出的IHHO-DBN模型能够从原始时域信号中提取有效的故障特征,并且具有较高的识别精度。设计的智能故障诊断系统在功能、性能上也能达到预期标准,具有一定的理论基础和工业实际应用前景。