滚动轴承作为工业设备的关键部件之一,在服役时发生故障将对设备的性能以及利用率产生较大影响,甚至引发安全事故。因此,对滚动轴承故障进行有效、准确的诊断十分必要。含有故障的滚动轴承信号由于其复杂性给用于判断故障的特征选取带来一定的困难,虽然目前故障特征选取的方法较多,但在传统故障特征选取方法中,由于参数需要人工选择等影响带来的局限性,使故障表征的选择过程存在陷入鞍点,无法达到全局最优等问题,最终影响轴承故障诊断的准确性。本文针对上述故障特征选取中的问题,同时为了进一步提高轴承故障的诊断效率及准确性,将粒子群优化的支持向量机、BP神经网络算法与小波包结合优化故障特征的选取过程并进行诊断,同时利用CNN算法对信号的二维图像表征进行故障诊断。结果表明,将机器学习算法与信号处理方法相结合的方式能够有效解决外部人工因素影响带来的局限性,降低信号中的不确定性表征,提高轴承故障诊断的效率与准确性。1、为了能够获取更加精确、有效的故障特征,利用小波包分析在时域信号上处理的优势,对健康振动加速度信号,以及含有内圈、滚动体、外圈等典型轴承故障的振动加速度信号进行多尺度的正交分解,得到各个频带相互独立的多层分解信号,据此构建分解后的故障敏感特征信息。同时验证了不同分解层数的诊断效果,证明3层分解最合理。2、针对传统BP神经网络算法易于落入鞍点,难以达到全局最优的缺点,利用粒子群优化（PSO）算法对BP神经网络的权值参数进行优化,将轴承故障动态信号的敏感特征输入到优化后的BP神经网络当中进行诊断,并与其他算法进行了对比,诊断结果验证了该方法的有效性。3、针对应用较广的有监督算法—支持向量机（SVM）存在的问题,将PSO算法对惩罚因子C和高斯核参数g组合成参数对进行寻优,构建多分类器模型并对模型进行训练。验证了不同核函数及核参数的诊断精度,分析了模型参数的选择对诊断结果的影响程度。利用敏感特征对故障进行了诊断,并与其他算法进行了对比,诊断结果验证了该方法的实用性。4、搭建二维振动时域信号图像表征下的卷积神经网络（CNN）架构,构建故障图像表征的数据集,将其作为CNN网络的输入。利用Le-Net5模型对轴承故障进行诊断,对不同组合优化下的模型进行对比,分析在不同误差以及损失情况下的诊断效果。诊断结果表明,该算法的性能较好,具有广阔的应用前景。