随着工业的快速发展,旋转机械设备逐渐趋向于复杂化、精密化和智能化,机械设备的监测数据已经逐渐迈入“大数据”时代。滚动轴承作为旋转机械的关键零部件,一旦发生故障,轻则导致设备运行失常带来财产损失,重则将会影响人们的生命安全。因此,对滚动轴承进行故障诊断研究具有十分重要的理论意义和研究价值。传统的故障诊断方法往往需要复杂的专家知识和人工提取过程,已经无法适用于大数据的分析要求,而基于深度学习的智能诊断在大数据背景下拥有着天然的优势。利用深度学习的强大特征提取能力,可以对滚动轴承故障信号实现更好的诊断效果。本文主要研究了基于深度学习的故障诊断方法,主要研究工作如下:（1）将自动编码器模型应用到轴承故障诊断中,探究了欠完备、完备、过完备三种自编码器从原始信号中学习特征信息进行故障诊断的适用性以及网络结构对诊断精度的影响。同时提出了改进的深度自编码模型,该模型可以解决自编码器中重构损失较大的问题,可以更好地提取特征,具有更高的故障识别准确率。（2）针对小样本数据集下滚动轴承故障诊断问题,通过对卷积神经网络进行改进,提出了一种基于时频图输入的卷积神经网络故障诊断方法。该方法利用短时傅里叶变换理论获取时频图像作为输入,通过选用Se LU激活函数和分层正则化方法来优化卷积神经网络以获得更好的训练效果。通过实验验证,所提方法可以明显缩短训练时间并具有更高的故障诊断精度,极大地降低了训练深度网络模型时对样本的要求。（3）针对单一的传感器包含故障信息有限,以及传统卷积神经网络提取多尺度故障信息的能力有局限性的问题,提出了一种基于信息融合的多尺度一维卷积神经网络故障诊断方法。将三个方向传感器的数据进行融合后通过设计多尺度一维卷积神经网络进行故障诊断。通过实验验证了所提方法的有效性,并与单传感器多尺度卷积神经网络、传统卷积神经网络进行对比分析。