滚珠丝杠传动系统作为重要的机械传动系统,在机械装备中有着举足轻重的作用,其系统安全稳定运行,对整个装备具有重要意义。传统的故障诊断方法存在着特征提取困难、特征提取与故障诊断相分离的缺点。本文结合深度学习的优势,提出了一种基于深度学习的滚珠丝杠传动系统故障诊断方法,简化了故障诊断过程,提高了故障诊断效果。本文围绕基于深度学习的滚珠丝杠传动系统故障诊断方法开展了深入系统的研究工作,并取得一些有创新性的研究成果。（1）提出了一种堆栈自编码网络故障诊断方法,建立了相应的故障诊断模型。设计了滚珠丝杠传动系统数据采集实验平台,构建了堆栈自编码网络,分别在A、B、C三个数据集上设计确定了相应的模型结构和参数。通过对比分析多层感知器与支持向量机两种浅层模型的诊断效果,表明该方法具备较好的诊断性能。（2）提出了一种具有记忆功能的LSTM网络故障诊断方法。本文采用了一种主要用于处理时序数据的神经网络LSTM,从具有一定顺序意义的输入样本之间学习规律,取得了更好的诊断效果。针对深度学习网络训练时间长、训练困难的问题,提出了早期停止策略及批量正则化的方法,并通过试验验证,结果表明该方法大大地缩短了训练时间且提高了诊断效果。（3）提出了一种受限玻尔兹曼机和单分类支向量机相融合的故障检测方法。本文将受限玻尔兹曼机和单分类支持向量机相结合,采用堆栈受限玻尔兹曼机实现数据特征的自动提取,以及单分类支持向量机实现数据的异常检测,实现了滚珠丝杠、轴承的异常检测。（4）开发了深度学习故障诊断系统。实现了数据处理、模型构建,模型训练、验证、测试及诊断结果可视化的功能。最后,使用美国凯斯西储大学轴承实验室公开数据分别对以上三种模型进行了试验测试,结果表明该系统具备较好的适用性以及实用性。