滚动轴承作为旋转机械的核心部件之一,一旦发生故障,轻则造成设备无法正常运转,重则导致严重的安全事故。因此分析滚动轴承的振动信号,预判滚动轴承故障具有十分重要的现实意义。随着以深度学习为基础的人工智能技术的快速发展,深度学习在工程领域的应用研究已成为热点。本文以滚动轴承为研究对象,在一维时域振动信号的基础上,针对实际生产环境下数据样本较少、故障信号有噪声且微弱的问题,研究了在不同环境下的深度神经网络。首先,研究了针对一维时域振动信号的深度学习分析方法,分别建立了卷积神经网络（CNN）模型和长短期记忆网络（LSTM）模型,模型在测试集上的准确率均值可分别达到99.8%和98.1%。针对多工况条件下轴承状态的分类,结合卷积神经网络准确率高和长短期记忆网络稳定性好的优点。提出了卷积循环神经网络（CNN＿LSTM）的一种模型,测试集上准确率可达到98.6%。其次,针对实际生产环境中数据样本较少的问题,提出利用迁移学习的方法,分析轴承振动信号,实现故障诊断。首先将一维原始振动信号转化为二维矩阵（GAF）和时频图像（STFT）,然后利用fine-tuning技术对Inception v3模型进行微调。利用GAF和Inception v3模型,测试集上的准确率为95.4%,结合STFT和Inception v3模型,测试集上的准确率则为97.6%。最后,针对滚动轴承在复杂环境中,容易受到各种噪声干扰的问题,本文采用小波阈值降噪（DWT）的方法对振动信号进行降噪。为了从噪声干扰中识别微弱的轴承故障信号,本文结合卷积神经网络特征提取能力强,以及孪生网络（Siamese）能够放大两个相似样本之间微弱差距的特点,提出了孪生卷积网络（Siamese CNN）的一种模型。通过将孪生卷积网络模型与其他网络模型进行对比,实验证明孪生卷积网络模型对于相似度很大的样本具有很好的分类效果。在训练集、验证集、测试集上的准确率分别为99.88%、99.5%和99.3%。