为保证机械设备安全运行起至关重要作用的是对其运行状态的检测以及故障诊断。本文针对旋转机械遇到的故障识别问题,提出了基于卷积神经网络的故障诊断算法。卷积神经网络对图像的识别具有良好的性能,本文鉴于卷积神经网络的这一特点,将旋转机械的产生的振动信号利用时频分析的方法转化为时频图。首先介绍了两种不同的时频分析方法,包括短时傅里叶变换和连续小波变换,然后,对滚动轴承信号进行处理,比较了不同的时频图的特点。本文接着构造了合理的卷积神经网络,为了实现对网络的参数进行更新的这一目的,本文采用了梯度下降法。不同的时频分析方法得到了不同的时频图输入到卷积神经网络中,通过对不同的时频图输入下网络分类结果的对比,表明以小波时频图作为网络的输入所得到的分类效果更好。卷积神经网络可以很好的提取图像所包含的特征,但是其不是一个很好的分类器,因此,我们提出了一种混合结构,利用卷积神经网络实现对图像的特征的提取,将极限学习机作为分类器,将混合结构运用到轴承故障识别上取得了很好的识别效果,并将其运用到风力发电机组的故障识别上,验证了混合结构的可靠性。