轴承的可靠性和寿命研究，是机械设备安全管理中至关重要的部分。而首先要保证采集到的轴承振动信号包含了轴承全面的振动信息，才能实现对轴承运行状态的准确监测与预测。在转子的涡动规律理论中，转子在同一横截面内的不同方向上，所采集到的轴承振动频谱结构、振动强度等信息不一定是相同的。为了解决这一问题，本文运用了振动信号同源融合技术——全矢谱（Full Vector Spectrum，FVS）技术，通过双通道的信号采集、融合，得到轴承更为全面、准确的振动信号。　　进一步地，得到每一时刻轴承的振动信息后，轴承的运转状态描述往往是多指标、多维度的。为了能够较为直接地反映轴承当前的健康程度，本文引入了多元状态评估技术（Multivariate State Estimation Technique,MSET），根据轴承的历史信息来评估轴承当前的运转状态，将轴承的多元状态信息进行整体处理并转化为直观的单一指标：健康度。与其他单一指标相比，基于MSET的健康度指标是对轴承运转状态的多元信息全面评估的结果，能够较为灵敏地捕捉到轴承细微的、不易察觉的初期故障，更有利于监测到轴承故障的发展过程。此外，本文又根据互信息理论和聚类算法使得轴承的健康状态集的建立更加符合轴承运转的实际情况、评估模型更加便于计算，提高健康度评价的合理性。从长周期来看，轴承的健康度是缓慢下降的。即使是在轴承突然失效的情况下，其健康度退化曲线依然具有较好的可预测性。　　在轴承出现健康度下降即故障早期萌发阶段，轴承的故障类型是不易被诊断出的。因此，为了在轴承的寿命预测中不仅能预测轴承在何时失效，也尽可能地诊断出轴承因何失效，提出了一种改进的多核结构深度神经网络（Deep Neural Network，DNN），能够在轴承健康度下降初期诊断其故障类型，从失效性质上对轴承的寿命衰退诱因进行解释。课题的最后，根据轴承健康度曲线所反映的退化规律，本课题运用支持向量回归（SupportVector Regression，SVR），从空间重构理论的角度讨论了预测模型的输入参数，更为合理、准确地进行轴承健康度预测，实现轴承的寿命管理。