旋转机械在工业的实际生产应用广泛,且发挥着重要的作用,在石油、化工、煤炭、电力、装备制造等行业都有着对旋转机械的应用,具体如汽车发动机、汽轮机风力发电机、变速箱等。旋转机械设备故障的出现,对企业的实际生产会造成重大影响,生产效率与产品质量降低、企业的市场竞争力下降,而且会造成难以估量的经济损失,甚至造成人员伤亡。通过查阅相关文献可知,转子部位是旋转机械故障发生的主要原因。而以往对转子故障的诊断不仅过程复杂,而且对信号处理、特征提取等专业知识水平有较高要求,还需要机械故障的运行状态和相关背景知识有所了解,但是结果并不理想,故障诊断准确率低,且很多步骤需要人工完成,使故障诊断的难度较高。在此背景下,针对故障识别准确率低、过程复杂和人工参与过多问题,本文以转子为研究对象,采用卷积神经网络作为故障诊断方法,基于Lab VIEW设计和完成了转子智能故障诊断系统,提高故障识别准确率,简化了故障诊断过程,达成了转子故障诊断智能化和自动化的目的。主要工作内容如下所述:（1）本文先对转子故障机理和深度学习中的卷积神经网络的相关理论进行了详细的介绍和分析。（2）在此基础上,针对转子不对中、转子不平衡、油膜涡动和动静碰磨四种故障状态进行仿真模拟,并在WS-ZHT5型多功能转子实验台的基础上搭建转子故障模拟实验台,对部分故障进行模拟实验,采用SVD滤波对数据进行去噪提纯,得到纯净的轴心轨迹,结合仿真数据和实验数据,建立了轴心轨迹数据库。（3）选择卷积神经网络中的Le Net-5模型为基础模型,在此基础上进行改进,利用数据库中的数据对卷积神经网络模型训练,对超参数进行调整,提高了故障识别准确率使模型的故障判断准确率为99.38%。（4）结合虚拟仪器技术,利用图形化编程软件Lab VIEW,设计并完成了转子故障智能诊断系统,系统拥有信号采集、时域分析、频域分析、滤波、故障诊断和数据储存等功能,并在WS-ZHT5型多功能转子实验台对各功能完成了实验测试,验证了系统的可行性,简化了故障诊断过程,实现了转子故障诊断智能化和自动化。