轴承是旋转机械传动系统中的重要部件,对机械设备的稳定运行起着重要作用。传统的轴承故障诊断方法依赖专家经验手动设计特征,难以满足现代化设备精准、快速和智能的诊断需求。因此,在大数据驱动的工业4.0时代背景下,深入研究复杂工况下机电设备的智能故障诊断具有重要意义。以滚动轴承为研究对象,基于循环平稳分析和卷积神经网络理论,对复杂工况下滚动轴承故障诊断技术进行了深入研究,并通过理论分析、模拟仿真、实验验证与对比相结合的方法,验证了基于循环平稳分析和卷积神经网络的滚动轴承故障诊断方法的有效性和可靠性。主要研究内容如下:（1）针对轴承故障振动信号的特点,提出了基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法——SCD-CNN。首先,利用仿真信号验证了二阶循环平稳分析方法的解调性能。其次,利用凯斯西储大学标准轴承数据集进行实验验证,并与基于短时傅里叶变换和连续小波变换的信号预处理方法进行了对比,结果表明:SCD-CNN方法具有较高的故障识别准确率。最后,将卷积神经网络各层的输出特征图以及分类过程进行了可视化,进一步解释了SCD-CNN方法的先进性,验证了SCD-CNN是一种有效的轴承智能故障诊断方法,其性能优于STFT-CNN和CWT-CNN方法。（2）对SCD-CNN模型的泛化能力进行研究。首先,研究了SCD-CNN模型在变负载工况下的适应能力。其次,研究了SCD-CNN模型在少样本情况下的泛化能力。最后,验证了SCD-CNN模型在类别不平衡条件下的鲁棒性。研究结果表明:SCD-CNN模型的泛化性能良好,在三种条件下均能保持较高的故障检出率。（3）针对SCD-CNN模型在非高斯噪声环境下出现性能退化,故障识别率低的问题,提出了基于循环相关熵谱密度和卷积神经网络的滚动轴承故障诊断方法——CCSD-CNN。该模型利用了相关熵对高斯噪声和非高斯噪声的降噪性能,提高了卷积神经网络在非高斯噪声环境下的噪声抑制能力,有效提高了滚动轴承故障特征提取和模式识别性能。针对神经网络分类过程难以解释的问题,利用数据可视化技术,详细揭示了CCSD-CNN模型在噪声下故障分类的过程。