作为旋转机械设备中常用的关键零部件之一,滚动轴承的健康状态直接或间接的决定着整个机组的运行安全。因此,监测轴承运行状态以及针对轴承进行故障诊断意义重大。对滚动轴承运行时产生的振动冲击信号进行分析可以在某种程度上反映其运行情况。但在工程实际中,轴承往往工作在恶劣环境中,导致传感器采集的振动信号掺杂大量噪声干扰,故障部位产生的微弱冲击成分往往被高频噪声所淹没,难以识别。同时,滚动轴承工作时负载、转速的变化使得获取的振动信号具有不同的数据分布,从而对诊断结果产生一定影响。本文对滚动轴承展开研究,开展滚动轴承早期微弱故障诊断方法研究。论文主要的工作内容如下:（1）介绍轴承故障发生的机理以及常见的失效形式种类,然后针对典型的失效形式设计轴承早期故障模拟试验,根据轴承故障的发生原理在其相应位置上刻画出单一、复合故障等多种类型的故障形式,为本文研究方法提供数据支持。（2）提出了一种基于VMD-DBN的轴承故障诊断方法。该方法将变分模态分解（VMD）的信号降噪、分解能力与深度信念网络（DBN）的模式识别能力结合。首先利用VMD分解算法对采集到的轴承各故障类别振动信号进行分解,获取一系列本征模态分量;其次计算各IMF分量的故障特征指标,将高维特征向量作为DBN网络模型的输入;构建DBN小样本识别模型,并针对DBN网络结构中关键参数无法自适应选取的问题,提出采用鲸鱼优化算法（WOA）优化DBN网络,然后利用迭代结果构建最优DBN网络模型实现小样本下滚动轴承微弱故障的诊断分类。（3）针对试验采集的轴承信号表现出非平稳、非线性的调制特征,依靠人工特征提取的浅层故障特征并不能全面反映滚动轴承早期微弱故障的问题,提出基于直方图均衡化和卷积神经网络（CNN）的故障诊断分类方法,实现多工况下轴承的故障识别。首先将传感器采集到的一维振动信号通过横向插值转换为故障灰度图,利用直方图均衡化技术改善振动图像中的像素分布,以强化对比度,突出早期微弱故障特征;然后划分训练、验证和测试集,将训练集导入CNN网络模型进行参数训练,同时引入全局平均池化层代替全连接层以降低模型参数量,提高训练速度;最后利用测试集评估训练完成的模型诊断能力,结果表明该方法能有效增强冲击性故障特征,提高故障诊断的准确率。