在现代的工业生产过程中,逐步向生产设备大型化、智能化、复杂化、自动化发展,如果其中某零部件发生故障,会对整个生产过程产生一定的影响。但是若能对当前系统状态进行准确识别,并对相关故障环节的设备进行及时的更换,就能有效的避免故障的发生。对于不可预测的外力作用所导致的突发性系统故障来说一般是没有任何征兆以及不可控的。但是工业过程控制系统发生的故障大多是由于设备磨损或者元件老化导致的延时性故障,表征为设备工作时表现不明显,因此延时性故障研究和设备可靠性研究成为工业设备故障诊断领域的重点,并引起很多的专家学者的关注。本文主要对深度自动编码器及其改进进行研究,并以滚动轴承的“亚健康”状态识别作为应用场景。在阅读大量的深度学习和故障诊断方法后,发现一个设计良好的学习率策略可以显著提高深度学习模型的收敛速度,于是本文提出一种自适应性学习率来提高深度网络模型的收敛速度。同时本文结合稀疏自动编码器以及边缘降噪编码器的优点,对原深度模型的代价函数进行改进,增加网络模型的泛化能力以及鲁棒性。本文采用层叠编码机作为深度学习的网络结构,通过这种结构可以对机械振动信号中的噪声进行过滤,有助于有利特征的提取。实验结果表明在基本保证准确率的情况下加快了模型的收敛速度。本文使用相关向量机取代传统深度学习中的SoftMax层对提取的深度特征进行识别分类,同时,相关向量机的核函数选取以及核参数的选取对于最终的分类结果尤为重要,本文采用混合模式的核函数,并且根据Fisher准则以及最大熵准则提出一种最优映射的相关向量机核参数选取方法。实验结果表明这种方式下选取的核参数有助于提高模型的识别精度。为了进一步提高识别的精确性,本文将由相关向量机分类器所得到的输出归一化处理后作为D-S证据理论的第一证据空间,将由SoftMax分类器得到的结果归一化后作为第二个证据空间,然后根据D-S证据理论的融合规则将两个证据空间进行融合得到最终的识别结果。实验结果表明该方法在提高滚动轴承“亚健康”状态识别精度上是有效的。