随着机械工业技术的发展,机械工业传统技术与人工智能、深度学习和大数据技术结合发展得十分迅速,并且这些新颖的技术为整体工业的发展添加了许多鲜活的力量。在机械工业设备中,轴承是一种十分重要的旋转机械零部件。它支撑着轴类正常地工作。同时,轴承的维护也是机械行业中一个重要的课题,如果轴承发生了故障,轻则造成机器停工,重则带来人员伤亡。所以,对其故障进行诊断是很有必要的,开展轴承的故障诊断研究也很有实际意义。传统的故障诊断方法和深度学习方法由于自身的局限性,提升故障诊断准确率的能力十分有限,且轴承的实际工作环境较为恶劣,加大了故障诊断的难度。因此有必要提出故障诊断性能更加优秀的模型,以实现在不同环境下都能够准确地进行故障诊断。现存的一些故障诊断模型,由于其并没有考虑融合输入数据的多尺度特征,其诊断结果并不是十分理想,针对这种情况,如何基于多尺度特征融合的概念来提升轴承故障诊断的效果,是本文的研究重点。本文的主要研究内容如下:（1）针对利用轴承振动信号进行故障诊断时,如果不考虑原始信号中的多尺度信息,可能会导致诊断性能不佳的问题,研究了离散小波变换（Discrete Wavelet Transform,DWT）和深度可分离卷积神经网络（Depthwise Separable Convolution Neural Networks,DSCNN）在轴承故障诊断中的应用。提出了一种基于DWT-DSCNN的轴承故障诊断方法。首先,利用离散小波变换（DWT）对原始振动信号进行多尺度分解,分解后的多尺度信息可作为原始振动信号的多尺度特征,然后将其融合,形成多尺度特征融合的输入样本,达到了在原始数据角度进行多尺度特征融合的目的,最后引入了一种轻量级神经网络,深度可分离卷积神经网络（DSCNN）,并结合DWT形成DWTDSCNN模型,实验证明,该模型能够取得较好的故障诊断效果。（2）针对一般故障诊断方法只考虑单一尺度的特征,没有研究特征的多尺度性,限制了模型性能提升的问题,研究了三种多尺度特征融合模型:Dense Net;Inception和Res2Net。首先,本文对这三种多尺度特征融合模型进行了详细的原理讲解以及这三种模型多尺度特征融合的过程,然后对模型进行参数设置和实验分析。实验结果表明,多尺度特征融合模型是诊断性能优秀的模型,区别于普通的神经网络,多尺度特征融合模型实现了对输入数据的多尺度特征提取并进行融合,进而实现理想的诊断效果。（3）针对多尺度特征融合模型在轴承复杂工作环境,如在轴承不同转速下的数据集中,故障诊断准确率存在差距和需进一步提高,以及当轴承数据集中含有噪声时,诊断效果较差的问题,本文基于Res2Net网络,提出了Res2Net-3RA和DWT-Res2Net-3RA的轴承故障诊断方法。首先利用残差注意力（Residual Attention,RA）机制能够对特征进行加权使其能够更好地对特征进行表达的特点得到加权后的特征,然后将其与未加权的特征融合,进一步提升了多尺度特征融合的效果。随后根据实验分析建立了3个RA模块,即Res2Net-3RA模型,最后,在Res2Net-3RA模型的基础上,本文将DWT与Res2Net-3RA模型融合,提出了DWT-Res2Net-3RA多尺度特征融合模型,该模型利用了DWT形成了多尺度特征的融合样本,并结合Res2Net-3RA模型实现基于残差注意力机制的多尺度特征融合。实验结果表明,该模型能在不同数据集上均取得良好的诊断结果,此外,本文针对数据集含有噪声的情况,在DWT-Res2Net-3RA模型的基础上进行了改进,并且对改进后的模型进行了实验分析,实验结果表明,该模型拥有良好的抗噪能力。