为了满足产能需求,在规模化集成化的工业生产带来的压力下,机械设备往往长时间工作于重载、高速、高温高压的环境中。在这样的环境中,轴承等关键部件易产生疲劳、积累微小病灶、发生性能退化甚至引起整个机械系统的失效。因此,为了保障机械系统可靠安全地运行,对轴承进行运行健康状态识别至关重要。传统的故障模式识别方法通过信号处理,人为地进行时域、频域或时频域分析,但受机械系统结构、干扰成分等因素影响,分析的速度与有效性存在一定局限性。智能故障模式识别方法可以在一定程度上克服这一问题。然而,现有的智能故障模式识别研究较多建立在故障已经发生的假设下,且检测任务往往侧重于单一故障的精准识别。在一定程度上忽视了同一部件上存在多个故障或是在运行过程中出现突发故障等可能的情形。针对传统信号处理方法和常见智能故障模式识别方法对特殊场景的局限性,在国家自然科学基金面上项目等项目的资助下,本文以轴承等旋转机械关键零部件作为主要研究对象,基于深度学习理论构建部件故障特征学习模型,并以此为基础研究复合故障识别和实时故障检测问题。首先,为了研究滚动轴承的复合故障识别问题,提出了一种基于优化的卷积深度置信网络（Convolutional Deep Belief Networks,CDBN）的识别模型。所提出的模型利用层级网络提取数据的深层特征,并有效利用了各层特征,实现了轴承的复合故障识别。首先,在预处理阶段加入了带通滤波方法和白化算法增强信号;其次,在训练阶段采用了 Adam优化器加速训练过程;最后,结合双层Softmax网络,融合多层特征,使模型各层的特征得到充分利用。在对复合故障模式的识别实验分析中,所提出的模型对数据集的单一和复合故障模式的识别均取得了较为理想的结果。对比实验证明了与标准CDBN 网络相比,优化后的CDBN模型拥有更高的分类准确率。进一步地,与稀疏自动编码器、人工神经网络和深度置信网络相比,本文提出的方法训练误差在下降过程更平滑的同时诊断准确率更高,充分证明了所提模型的优越性。随后,针对机械故障模式的实时检测和识别问题,本文提出了一种基于门控循环单元（Gated recurrent unit,GRU）模型的突发故障识别模型。该模型综合考虑了单一的故障模式分类和剩余寿命预测问题,将诊断目标侧重于沿着时间轴跟踪设备运行状态并实现快速的故障模式识别。所提出的方案试图解决网络的可解释性并实现趋势预测和分类之间的平衡。所提模型旨在对设备状态进行监测,当突发故障发生,模型结构中的单向GRU网络相应地被激活,以实现对故障模式的快速识别。在激活网络层后,紧跟着构建了双向长短期记忆网络（Long shorttermnetwork,LSTM）结构对故障片段进行处理,确保该片段的不同特征被有效学习以进行识别。实验结果和对比结果进一步证实了所提出的网络可以解决健康状态监测和故障识别任务。综上,本文提出了基于CDBN的故障模式识别模型在信号处理阶段引入信号强化方法、运用深层卷积置信网络进行特征学习、在分类阶段引入特征融合实现有效诊断;同时,在考虑应对故障模式突变的情况时,提出了一种针对突发故障的数据处理方式,并运用基于循环神经网络的突发故障检测模型层次化地对状态数据进行检测,以达到故障实时监测和分类的目的。