滚动轴承作为旋转机械结构的主要部件,广泛应用于设备传动系统中。为保证设备可靠运转,对轴承故障及时准确地诊断具有重要研究意义。目前基于时域振动信号,利用信号处理技术实现智能故障诊断是轴承状态监测的研究热点。本文在压缩感知(CS)和深度学习研究成果的基础上,研究了压缩采集分别与堆叠稀疏自编码和稀疏滤波结合的两种轴承智能故障诊断方法。首先,针对传统轴承故障状态监测系统面临海量数据的压缩存储、信号处理计算成本和通信信道带宽需求增加等问题,研究了基于CS理论的轴承信号压缩采集方法,该方法可以从源头降低采集数据量,实现数据采集到信息采集的转变。通过对压缩观测值故障信息有效采集的分析,得出压缩采集能够有效获取并保留原信号的故障信息,为后续直接处理轴承振动压缩采集数据提供理论支持。其次,针对传统轴承故障诊断方法在处理海量数据时,存在特征提取效率低、主观性强及过度依赖先验知识等问题,提出了在不重构原信号的前提下,结合深度神经网络(DNN)的轴承智能故障诊断方法。该方法首先构建基于堆叠稀疏自编码的DNN模型;然后利用该模型的特征挖掘能力,直接对高信息含量的压缩观测值完成自适应的特征提取与故障诊断。实验结果表明,所提方法与传统轴承故障诊断方法相比,能够对不同轴承故障类型实现准确有效的诊断识别。最后,针对DNN模型存在可调参数过多及训练时间复杂度高等问题,提出了结合稀疏滤波和特征降维的轴承智能故障诊断方法。该方法首先利用稀疏滤波模型对压缩采集数据进行特征提取;然后采用近邻保持嵌入算法完成特征降维处理;最后利用分类器实现故障类型的识别与诊断。实验结果表明,结合稀疏滤波和特征降维的方法可以有效的提升最终识别准确率,且与结合DNN方法相比,能够大幅降低模型训练时间与周期。