近年来,深度学习算法已成功应用于轴承故障的检测和分类。其中,卷积神经网络（CNN）和循环神经网络（RNN）都是常见的端到端深度学习模型。然而,随着工业大数据时代的到来,海量的数据和高耦合度的故障类型,使得故障诊断任务日趋复杂。传统的深度学习模型需要不断加深以应对复杂的工况。但是网络加深却会导致梯度消失和梯度爆炸的问题。此外,在传统的模型中,所有的故障特征都被同等对待,这限制了卷积神经网络强大的特征提取能力和循环神经网络对时序信息的挖掘能力。为了能够从高噪声的真实工况中对故障轴承进行有效诊断,本文提出一种基于注意力机制的密集卷积神经网络（DADN）来对故障轴承进行端到端的分类。网络框架由密集卷积神经网络（DenseNet）组成,网络中间嵌入双注意力模块。DenseNet中层与层之间密集的连接可以加强网络中信息的传输,减轻梯度消失现象,并在一定程度上减少参数数量以减轻模型的过拟合现象。双注意力模块包括通道注意力模块和空间注意力模块,注意力模块可以获得所有特征在空间维度和通道维度的权重,这些权重表征特征的重要程度,而后通过强化重要特征并抑制次要特征,以提高网络特征提取的能力。为了结合DADN强大的特征提取能力与LSTM对时序信息长期有效的“记忆”能力,本文还提出一种结合了DADN、LSTM和另一种注意力机制的ADLN模型,完成轴承的剩余寿命预测（Remaining Useful Life,RUL）。DADN从原始振动信号中提取出高维的特征,而后LSTM网络将其中包含轴承寿命的时序信息再抽取出来,并最终给出轴承寿命的预测值。为了验证上述模型的性能与泛化能力,在多个数据集上,与其它常见模型进行了全面的对比。最终结果显示,本文所提出的DADN和ADLN模型在性能、鲁棒性与泛化能力方面较现有模型均有较大的优势。