滚动轴承是旋转机械当中的重要部件,其在工业、航天、交通等行业应用十分广泛,但轴承在重载荷作用下又极易损坏。为了确保旋转机械设备的稳定运行,减少企业财产损失,避免安全事故的发生,有必要对滚动轴承运行状态的监测以及剩余寿命的预测进行深入研究。本文以实现轴承的健康状态评估以及剩余寿命预测为目标,提取对早期故障敏感的健康状态指标结合相关图谱进行评估;以及选择合适的数据驱动方法对轴承进行剩余寿命预测,本论文将从这两个方面展开研究。（1）由于轴承数据在极大的背景噪声干扰下采集,因此本文提出基于改进的变分模态分解方法进行信号降噪及方法改进。针对变分模态分解（VMD）时固有模态函数（IMF）的层数K以及参数惩罚因子α不易选取的问题,提出由遗传算法优化VMD的参数惩罚因子α,以各IMF分量的包络熵作为适应度函数确定出最佳惩罚因子;再结合谱相关系数法以各IMF分量与原始信号间谱相关系数的最小值作为分解停止条件确定K层IMF分量,提高了VMD的分解精度,与中心频率法对比验证该方法的有效性,解决了VMD分解层数无法自适应选择的问题。并在改进VMD方法基础上提取时频域特征,结合时域、频域特征,依据U统计方法和切比雪夫原理确定阈值预警线进行轴承退化趋势对比分析。（2）提取10个时域、4个频域、14×K个时频域特征指标（K为VMD分解层数）,根据趋势性特征以及阈值线筛选出能表征性能退化的指标,为了防止退化特征冗余对评估产生影响,通过主成分分析实现特征降维,低维特征通过平均移动滤波进行平滑处理,再结合马氏距离和健康指数实现轴承健康状态的评估。针对浅层神经网络以及单一特征指标不能充分提取信号深层特征的问题,在LSTM基础上提出堆栈长短时记忆神经网络（SLSTM）作为预测模型,通过模型均方根误差选取迭代次数、学习率、dropout随机失活概率、堆栈层数以及每层神经元数量等参数,对比Adam与RMSProp算法选择合适的优化器反向优化调参,最后与BP网络、支持向量机等预测模型进行对比,结果显示该方法更擅长处理复杂的非线性问题;并将该模型回归层更换为softmax层与分类层,实现轴承多种故障的智能分类。