机械系统的预测与健康管理（Prognostics Health Management,PHM）的主要目的是根据状态监测的历史信息和当前信息来进行机械系统的故障诊断和剩余寿命预测。随着传感监测技术的发展,工业生产进入大数据时代,通过对工业现场大数据的挖掘与分析成为了PHM技术的主要研究方向之一。近年来,深度学习由于其突出的特征提取与学习能力已经在机器翻译、图像识别、序列预测等方面取得了极大的成功。滚动轴承是机械系统的重要零部件之一,被广泛运用于航空航天、交通运输、智能制造众多领域。因此进行滚动轴承退化理论的研究,实现滚动轴承健康监测与剩余寿命预测具有重大的研究意义。本论文以滚动轴承为研究对象,结合深度学习理论,针对滚动轴承剩余寿命预测所存在的问题,开展了以下几个方面的研究工作:（1）为了准确评估滚动轴承退化过程中的不同状态,提出了基于能量熵滑动平均互相关的滚动轴承状态评估方法。首先通过最大重叠离散小波包变换将振动信号分解到不同的频带,计算不同频带上的能量熵值。通过设置时间滑动窗口计算能量熵值的滑动平均互相关系数,观测互相关系数的变化可以实现滚动轴承退化阶段的自适应识别。通过滚动轴承全寿命数据集对所提方法的有效性进行了验证。（2）为了实现滚动轴承健康指标值在线预测,提出了一种基于双向门控循环单元和时序模式注意力的滚动轴承健康指标值预测方法。该方法首先利用双向门控循环单元结构从两个方向获取时序信息。然后通过时序模式注意力机制计算每个时刻信息的贡献度,帮助网络捕捉重要信息。最后滚动轴承健康指标以序列的形式输入到带时序模式注意力的双向门控循环单元网络中学习序列的时序依赖性。滚动轴承全寿命数据集用于验证所提滚动轴承健康指标值在线预测方法的有效性。（3）为了实现滚动轴承剩余寿命的预测,提出了一种基于时序卷积网络的滚动轴承剩余寿命预测方法。该方法首先改进了传统卷积方式提出了因果膨胀卷积,通过因果膨胀卷积构建时序卷积网络用于学习滚动轴承深层特征表示。然后残差自注意力机制用于获取重要时刻的信息,同时解决了深层网络出现梯度消失和梯度爆炸的问题。框架最后通过回归器建立特征深层表示与剩余寿命预测标签之间的映射。两个滚动轴承全寿命数据集验证了所提剩余寿命预测方法的有效性和优越性。（4）为了实现滚动轴承剩余寿命模型可跨工况预测,结合迁移学习理论提出了一种基于可迁移时序卷积网络的滚动轴承剩余寿命跨工况预测方法。该方法首先提出一种滚动轴承可迁移特征评价指标,基于特征评价指标构建滚动轴承可迁移特征集。然后使用时序卷积网络学习特征的深层表示,通过最大均值差异计算不同工况下特征的分布差异,同时领域自适应方法被用来实现最小化分布差异。在滚动轴承全寿命数据集上进行了所提剩余寿命跨工况预测方法的有效性验证。