随着科学与技术的发展,旋转机械设备已成为现代工业生产中不可或缺的装备。而滚动轴承作为其关键的零部件之一,在工作中,长时间高速运转,常因受冲击、交变载荷、热疲劳等影响而发生故障。一旦出现故障,则会严重影响设备的稳定性与可靠性,导致设备无法正常运行,造成巨大的经济损失,甚至引起重大的安全事故。因此,研究滚动轴承的故障诊断是极其必要的。首先,针对轴承振动信号的降噪问题,研究了一种轴承振动信号的降噪算法。采用变分模态分解算法（VMD）处理振动信号时,降噪效果的优劣主要取决于VMD的惩罚因子与模态个数是否恰当。因而,采用万有引力算法（GSA）优化变分模态分解的惩罚因子与模态个数。实验结果表明:该方法能优化变分模态分解的惩罚因子与模态个数,具有良好的降噪效果。其次,针对卷积神经网络的超参数过多的问题,研究了一种自适应卷积神经网络模型（ACNN）。在卷积神经网络中,网络的层数、卷积核的尺寸、池化层的类型、卷积核的个数与全连接层神经元的个数是构建模型的关键。而调试这些超参数费时费力。因此,利用粒子群算法优化卷积神经网络的这些超参数,并将其应用于轴承的故障诊断,提高了构建模型的效率。再次,研究了基于GSA-VMD与ACNN的轴承故障诊断方法。该方法采用万有引力算法优化变分模态分解,将轴承的振动信号分解得到若干模态分量,把这些模态分量与振动信号融合构建样本集,作为自适应卷积神经网络模型的输入,进而实现滚动轴承的故障诊断。采用西储大学的轴承数据进行实验,结果表明:与选定的其他方法相比,该方法准确率更高、稳定性好、适应性强。最后,采用Python编程语言开发了轴承故障诊断系统。该系统主要具有智能诊断功能、用户权限管理、轴承型号管理、振动信号处理等四大功能,便于实现基于深度学习理论的轴承故障诊断。