滚动轴承作为支撑转轴的重要零件,对轴系的正常运转有着重要影响。滚动轴承需要应对严苛的工作环境,对于滚动轴承的早期故障诊断及微弱故障诊断是保证设备正常运转的必要手段。滚动轴承在不同的工况和故障尺寸下,其故障特征是不一样的,并且滚动轴承从发生轻微故障到完全失效也是逐步发生的。因此,实现滚动轴承的故障等级评价,对滚动轴承以至于对整个工程设备的健康状态监测与评估都具有重要意义。本文在此背景下,首先分析了滚动轴承的故障产生机理,建立了滚动轴承的理论故障模型,对实测的滚动轴承振动信号进行统计学分析;其次,提出了一种基于小波去噪和倒频谱分析的滚动轴承内圈的故障特征提取方法;最后,采用卷积神经网络深度学习的方法对滚动轴承的故障进行了等级评价。本文的主要研究内容如下:（1）在结构动力学理论基础上,结合滚动轴承结构的特点,分析了滚动轴承的故障产生机理,根据滚动轴承的载荷分布特性建立其外圈、内圈和滚动体结构件的理论故障模型。（2）利用统计学方法,在遵循单一变量原则下,对某一型号滚动轴承的实测信号作不同转速,不同载荷和不同故障尺寸下的故障特征研究。（3）针对100r/min、10k N下滚动轴承内圈故障特征难提取的问题,提出基于小波去噪和倒频谱分析的轴承微弱故障诊断方法。在原有小波去噪方法的基础上,通过田口方法优化小波去噪的参数选取。利用倒频谱分析对去噪后的故障振动信号作特征提取,相较于包络分析,所提方法能够准确地提取出低转速、低载荷下滚动轴承内圈的微弱故障特征,并通过多组数据证实方法的有效性。（4）针对滚动轴承智能化故障诊断和故障等级评价,提出基于短时倒频谱变换和卷积神经网络的滚动轴承故障等级评价方法。该方法将滚动轴承实测数据按故障尺寸分类成不同的故障等级,每个等级的数据集包含不同工况下的数据;然后,采取短时倒频谱变换对数据进行预处理。短时倒频谱变换相较于短时傅里叶变换和一维信号转图像的预处理方法有故障预提取的功能,经卷积神经网络训练后的结果表明所提方法在滚动轴承有无故障的判断以及故障等级评价有很高的准确率。本文从理论出发,较全面的分析了滚动轴承故障特性,在滚动轴承微弱故障诊断和智能化的故障等级评价上做了研究,对工程应用具有一定的指导意义。