滚动轴承是现代工业设备中使用最多的零部件之一,但是其最容易遭到强烈冲击以至于损坏。轴承的性能状况决定了整个工业运行的状态,对其进行性能衰退趋势的预测是非常必要的。本文以滚动轴承全生命周期振动信号为研究对象,逐一进行了信号降噪、特征融合及性能衰退阶段划分和性能趋势预测等几个方面的研究,内容如下:首先,针对信号分解出现端点效应等问题,提出基于完备集合经验模态分解（CEEMDAN）和小波半软阈值（WSST）降噪方法。将振动信号采用CEEMDAN进行分解,得到多个本征模态分量（IMF）;使用皮尔逊（Pearson）相关系数法对不同的IMF进行相关性分析,分离得到含有噪声成分较高的IMF分量并使用WSST对其进行二次降噪;最后进行信号重构。通过仿真数据对比验证,该方法能够极大程度保留信息有效成份,信噪比最大,均方误差最小。其次,针对单一特征难以完全表征滚动轴承的性能变化趋势以及传统激活函数容易造成梯度消失等问题,提出基于栈式自动编码器（SAE）的滚动轴承性能衰退特征指标融合以及阶段划分方法。将降噪后数据进行预处理,得到多个时域、频域特征指标;使用SAE特征融合的方法对对多个时域、频域特征指标进行融合,得到相应融合后的特征指标;利用多个评价指标对备选特征指标和融合后的特征指标进行综合评价;使用固定窗均值化处理方法进行滚动轴承性能阶段的划分;通过与常规融合算法对比分析,该方法融合后的特征指标优于其他特征指标且对滚动轴承每个性能阶段划分较为清晰。再次,针对常规预测方法预测精度低以及依赖人工经验等问题,提出时序卷积神经网络（TCN）-注意力机制（Attention）模型的性能衰退预测方法。构造TCN-Attention性能衰退预测的网络结模型,同时设计一个权重打分函数,研究Attention模型与TCN模型的结合方式,提高对敏感信息的权重分配,选取合理的网络结构参数。通过实验验证,与其他预测模型相比,TCN-Attention预测精度最高,曲线拟合度最好,均方根误差和平均绝对误差最小。最后,采用西安交通大学所搭建轴承实验台采集的数据,验证信号降噪、特征融合和性能衰退预测方法。