随着运行环境的日益复杂和竞争环境的日益激烈,智能制造技术成为制造业发展的重大趋势,智能运维作为其核心内容,为加强机械零部件的可靠性保障提供支撑。作为进行零部件智能运维的重要技术前提,面向机械零部件性能退化过程的剩余使用寿命（Remaining useful life,RUL）预测技术备受关注。因具有良好的信息融合能力,贝叶斯更新在RUL预测中得到了广泛的应用。但面对运维数据积累不足,运维数据质量不高,运维数据源杂乱的工程限制,传统的贝叶斯更新框架无法很好地处理数据信息中的较多不确定性情况。因此,在多源信息融合的背景下,本文开展了基于改进贝叶斯更新方法的机械零部件剩余寿命预测研究。首先,优化了传统的贝叶斯个体更新模式,提出一种基于改进贝叶斯更新方法的RUL预测框架。基于RUL预测中的信息源以及信息融合中的不确定性,分析了传统模式在处理不确定性时的不足。针对传统模式前期融合信息有限,难以减少认知不确定性干扰的不足,提出考虑群体同步监测数据的贝叶斯更新模式。同时考虑到融入群体数据时可能增大偶然不确定性的风险,将加权似然方法与贝叶斯更新模式进行结合,通过分配数据权重来减少偶然不确定性对模型的影响。其次,实现了RUL预测框架下关键步骤的方法设计。在似然权重分配问题中,基于Minimum disparity方法设置权重函数,并提出了结合Boostrap思想、RSP搜索策略以及BFGS算法的权重函数参数求解方法。在后验分布的参数估计中,依据参数维度情况分别设计了采用基于MH抽样和基于Gibbs抽样的马尔科夫链蒙特卡洛方法,并基于逆CDF采样法进行RUL预测。再次,开展了一系列的仿真研究,对方法框架及算法进行了验证。仿真结果表明,当先验信息较差时,与基于传统贝叶斯更新的RUL预测方法相比,本文提出的RUL预测方法能较大程度上地提高RUL的总体预测精度。在不同仿真数据组中,总体预测精度至少提高了16.07%,至多提高了46.70%。最后,将本文所提出的RUL预测方法应用在铁路货车车轮的实际退化监测数据中。案例分析结果同样表明,当先验信息较差时,与传统RUL预测方法相比,本文的方法能较大程度上地降低RUL的总体预测误差。在案例数据中,总体预测误差至少降低了38.77%,至多降低了41.05%。本文的研究成果丰富了基于贝叶斯更新方法的RUL预测方法,有助于提高相关行业的智能运维能力。