轴承是广泛和大量应用于生产设备的核心元件,开展基于振动信号分析的滚动轴承智能故障诊断的相关研究并及时准确地识别故障,对保证机械高效运行、减少安全事故发生概率相当重要。轴承故障诊断技术与轴承再制造技术相结合,有针对性地修理故障轴承,可提高轴承的使用寿命,同时可以保护环境、提高经济效益。传统的故障诊断方法大多是基于专家的知识和经验,从信号中人为提取特征。但采集到的信号往往受环境和加工工况的影响,信号显得杂乱无序,无法从中快速有效提取出故障特征。针对这样的信号,专家们也需要对大量样本进行较长时间的分析,效率低下。因此,为解决滚动轴承故障诊断费时费力、强噪声等常见问题,本文将奇异值分解与卷积神经网络相结合,提出一种新的滚动轴承智能故障诊断方法。具体研究内容如下:（1）针对强噪声条件下模式识别精度低问题,提出一种将分段奇异值分解与一维卷积网络结合的新滚动轴承智能故障诊断方法。将滚动轴承的长序列原始振动信号进行等长度样本划分,用分段奇异值分解与自适应特征值选取方法,对待测原始信号进行分解并重组,然后依靠深度学习模型的模式识别的优势对信号进行故障识别,并通过实验证明了该方法的有效性。（2）针对模型在训练大量样本时需要花费大量的时间问题,提出将分段奇异值分解与深度可分离间隔卷积网络相结合的方案。利用通道卷积操作大大减少模型的参数,减少运算量,运用了间隔卷积操作增大了每一层的感受野,保证滚动轴承故障诊断的精度,并通过实验证明了该方法的有效性。（3）根据实际需求,基于Lab VIEW和Python混合编程开发了一套滚动轴承故障智能识别与分类系统。将上述算法嵌入滚动轴承故障诊断系统中,将研究成果投入到实际的工程应用中,可以针对实际工况进行模拟。