作为车辆传动系统中的关键零部件之一,滚动轴承的健康状况直接影响整个系统的运行安全。因此,研究滚动轴承的状态检测与故障诊断技术具有重要意义。近年来,深度自编码器（Deep Auto-encoder,DAE）等深度学习方法在滚动轴承故障诊断中得到广泛关注,其优势在于可以实现对轴承故障特征的深度挖掘和表征。但是,由于DAE中往往包含诸多超参数,这些参数的设置直接影响故障的识别效果,但目前主要依赖于专家经验,算法的自适应能力有待提高。针对这一情况,本文提出了基于粒子群算法的DAE模型,并将其应用于滚动轴承的智能诊断。为验证DAE的特征提取性能,本文首先基于仿真信号对DAE进行重构实验分析,结果显示DAE的重构数据和原始数据的相似性可达96%。此外,对比了DAE与PCA的模式识别效果,结果表明DAE的特征分类准确率较PCA方法可提高4%-8%,验证了DAE对深度特征的挖掘能力。其次,定量地分析了模型中各个隐藏层的节点数、批尺寸、动量和稀疏惩罚项系数对DAE故障诊断模型诊断精度和计算时间的影响,并给出了各超参数的选择范围。在此基础上,提出了一种基于粒子群算法的参数优化模型,使用粒子群算法对DAE中各超参数进行了优化,以自适应地获取最优的参数配置。实验结果表明,所提出的PSO-DAE方法在多组轴承故障数据集下皆能达到95%以上的诊断精度,并在15次迭代内即可收敛到最优解,验证了该方法的有效性。针对单目标优化方法容易陷入局部最优的问题,进而提出了一种多目标粒子群优化的DAE模型。基于分类精度和计算时间两个目标函数,对超参数进行优化。多组数据集下的实验结果表明,相较单目标优化模型,所提出的MOPSO-DAE方法可以在进一步提高分类精度的同时大幅降低计算成本,并且在不同数据集下将计算时间缩短了10%-20%,具有更广泛的实用价值。