随着旋转机械的快速发展,空压机作为典型的动力设备,它的应用领域越来越广泛,对于空压机的安全性和稳定性也有着越来越高的要求。一旦发生故障将会造成较大经济和人员生命财产的损失,滚动轴承作为空压机的精密零件直接影响了空压机工作性能,同时也是空压机故障频发的零件。故本文针对空压机复杂工况的轴承振动信号的特点,提出了一种新型的降噪方法以及基于深度学习的轴承故障方法的研究。具体内容如下:首先,从传统诊断方法和深度学习诊断方法对国内外研究现状展开分析,围绕着滚动轴承的组成结构、失效类型及振动机理进行了阐述,为后续研究奠定了基础。其次,针对采集到的原始信号呈现出非线性、含噪声等特征。本文设计了一种自适应的降噪方法。先使用自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with adaptive noise,CEEMDAN）算法对信号进行分解处理,以改善模态混叠的问题,再以样本熵为标准筛选出含噪音较多的分量,最后使用小波阈值法对其加以降噪处理并完成信号重构,从而完成信号的降噪。然后,针对依靠专家经验进行特征提取的传统方法存在的问题,提出一种改进卷积神经网络模型（Convolutional Neural Network,CNN）的故障诊断方法。本文提出了膨胀卷积、批量归一化以及正则化进行优化以改善梯度消失和过拟合等问题,通过对美国凯斯西储大学（Case Western Reserve University,CWRU）的轴承数据进行滑动采样和Z-score标准化处理,并用预处理后的数据集在含噪声和负载变化的工况下验证了该模型相较于其他模型具有更好的故障诊断能力但仍有上升空间。最后,为了进一步提高在变载荷和噪声环境下滚动轴承故障诊断准确率和稳定性,提出了一种改进残差神经网络的滚动轴承故障诊断方法。首先引入了全局平均池化层来取代全连接层,进而有效抑制了过拟合现象。接着采用挤压与激励网络（squeeze-andexcitation networks,SENet）结构模块添加至残差块之中,用于增强有效特征通道,进一步提升了对故障特征的提取能力。最后通过多目标粒子群优化算法对该模型的超参数进行优化取值,通过试验证明该方法具有比其他方法更好的抗噪声和抗负载变化的能力。