滚动轴承是旋转机械装备中的关键支撑零部件,为了保证此类装备正常工作和定期有效保养,需要做好对轴承在投入使用后的在线检测、健康管理和寿命预测。旋转机械设备,如交通运输工具经常在变工况和大扰动等不良工况下处于持续工作状态,由故障所带来的特性改变很易被运行工况变化对特性层面的影响所淹没。轴承健康指标普遍存在敏感性低、鲁棒性弱等缺陷,对早期失效判别、寿命状态识别及退化趋势预测研究也带来影响。故本文选用轴承进行研究,基于其包涵寿命特征信息丰富的全寿命振动数据,针对轴承健康状态难以表征的问题,提出基于特征噪声能量比（Feature-to-Noise Energy Ratio,FNER）健康指标的轴承性能退化评估方法;针对轴承早期退化信息极其微弱,难以实现早期失效判别的问题,提出基于动态调整灰色关联分析（Dynamic Adjustment Grey Incidence Analysis,DAGIA）的轴承早期失效判别方法;针对轴承寿命状态难以识别的问题,提出基于改进深度残差收缩网络（Improved Deep Residual Shrinkage Network,IDRSN）的轴承寿命状态识别方法;针对传统数据驱动方法在滚动轴承预测领域中精度低的问题,提出基于时间卷积网络（Temporal Convolutional Networks,TCN）的轴承退化趋势预测方法。对于提高后续旋转机械装备的使用性能具有重要的意义。本文主要研究工作有:（1）研究（Envelope-to-Harmonic Noise Ratio,EHNR）表征轴承健康状态的原理,探究EHNR定义中包络信号的谐波能量由自相关函数获取的缺陷,分析噪声干扰信号覆盖滚动轴承退化信息进而导致自相关函数效果下降的原因,探究轴承损伤时包络谱峰值大小与损伤信息权重的关系,基于EHNR思想提出FNER健康指标方法。结合局部幅值思想,同EHNR方法和其他传统健康指标进行对比分析,结果表明基于FNER能更好的表征轴承健康状态,实现了滚动轴承的性能退化评估。（2）分析传统轴承健康指标瞬态判别早期失效起始位置的不足,利用灰色关联分析（Grey Incidence Analysis,GIA）方法的优势;探索灰色关联分析方法中分辨系数大小和关联度值的内在联系,揭示轴承振动信号中隐含的早期退化信息量,采用FNER指标动态调整GIA的分辨系数。结合切比雪夫不等式构建基于正常样本的轴承异常状态检测控制线。研究结果表明DAGIA方法针对渐变性和突发性退化时兼具敏感性和鲁棒性,且误警率低,比现有数据驱动型方法更能瞬态判别轴承早期失效起始点。（3）分析健康指标在识别轴承寿命状态识别过程中存在的问题,结合退化指标和阈值识别轴承的寿命状态存在相同多幅值对应不同的寿命阶段,易产生误识别问题;探索FNER指标的评估结果和轴承寿命状态之间的关系;将深度学习算法引入轴承寿命状态识别领域,研究自适应阈值降噪模块原理,分析密集连接卷积网络（Densely Connected Convolutional Network,Dense Net）提取微弱细节寿命特征的能力,引入Dropblock层提升网络的抗过拟合能力,搭建IDRSN模型。分析识别结果,在单一和多轴承数据集中,IDRSN比FNER指标和其他寿命状态识别方法更能高效的识别轴承寿命状态。（4）分析TCN的网络结构特点以及膨胀因果卷积处理时间序列模型中常见的长程依赖关系的优势;分析循环迭代预测的难点,探索结合健康指标和TCN的预测方法;利用FNER以及DAGIA方法各自表征轴承退化性能的优势,搭建TCN模型并获得轴承退化趋势模型;研究TCN网络的超参数大小对模型预测精度的影响,采用多次试验的方法设置最佳的TCN超参数;利用训练好的TCN模型循环迭代预测轴承的退化趋势。分析预测结果,TCN能更好的处理时间序列数据。