滚动轴承作为各种工业活动中的核心装配部件,其可靠性直接或间接地影响机器的运行。而轴承故障是导致机器故障的最常见原因之一,轴承任何部位发生故障不仅会降低机械系统运行的可持续性,还会增加其维修成本,更甚引发安全事故,造成恶劣的社会影响。因此,对滚动轴承的运行状态进行监测显得尤为重要。鉴于此,本文基于滚动轴承的振动信号展开相应研究,从滚动轴承的内部结构,振动特性和故障诊断原理出发,围绕信号预处理和故障识别等问题展开方法研究,并最终完成基于变分模态分解（variational mode decomposition,VMD）和卷积神经网络（convolutional neural network,CNN）的滚动轴承故障在线诊断系统设计。本文研究的主要工作如下:首先,在大量查阅滚动轴承故障诊断领域相关文献的基础上,从传统方法和深度学习方法两方面对当前故障诊断方法的研究现状进行论述,并主要阐述了VMD和CNN方法在故障诊断领域的应用和不足。随后从滚动轴承自身机构特点入手,对常见的几种失效形式和诱因进行了说明。然后结合滚动轴承故障诊断原理进行系统总体方案的设计,并根据总体方案完成了硬件设备的选型和实验平台的搭建工作。其次,针对传统VMD方法参数选取自适应能力不足的缺点,提出了多通道相关WOA-VMD方法,用于滚动轴承原始振动数据的自适应分解去噪,并作为本文的去噪预处理方法。一方面,采取鲸鱼优化算法来确定VMD在信号分解中两个参数,分解尺度（K）和惩罚因子（α）的最佳值,依照最优参数组把被测信号分解为多个模态分量（IMFs）;另一方面,通过相关分析计算得出每个通道分量与该通道原始信号的相关系数,选取相关程度较大的前两个分量进行重构,并对重构信号进行包络解调分析。通过对实测内圈,外圈信号进行实验分析,验证了所提方法在消除冗余信息和提取微弱故障特征上的有效性。再次,提出一种CNN-ALSTM故障诊断模型,以提高原始CNN模型的故障诊断精度。利用CNN与LSTM融合搭建的故障诊断模型对滚动轴承一维数据进行分类识别,该模型结合CNN注重局部特征提取和LSTM关注全局特征的优点,在测试数据集上有着较高的准确率。为进一步提高其诊断效率和精度,加入注意力机制,其关注重要特征的能力,可以很好地提高训练网络模型时的学习效率。通过与CNN模型,LSTM模型,CNN-LSTM模型的对比测试发现,验证了本文提出的CNN-ALSTM模型有着更好的识别精度。最后,完成了基于VMD和CNN的滚动轴承故障在线诊断系统配套软件的设计。该系统采集模块可实现对滚动轴承振动数据的采集,并进行实时显示和存储,然后预处理模块对该信号进行去噪处理,对原始数据进行多通道相关WOA-VMD分解去噪,最后故障诊断模块对预处理后的信号进行故障识别,并输出故障类型。通过滚动轴承实验台对该系统的硬件环境以及软件模块功能进行测试,结果验证了该系统的可适用性。