基于数据和计算机技术的工业转型举措不断发展,机械设备将持续更新换代,滚动轴承作为关键组成部分,其性能愈发影响整个设备的运行状态,对其进行智能化的故障诊断具有重要的研究意义。面对故障数据规模庞大、结构复杂、冗余、错误信息繁多等现状,传统故障诊断技术发展受到局限;复杂系统的数据采集易受到实际工业环境温度、噪声等不确定因素的影响,单一传感器可能导致采集的数据不完整,并且出现偏差。如何在设备日益复杂、数据规模愈渐庞大而传统诊断技术愈显乏力的情况下对滚动轴承实现智能化的故障诊断;如何在单一数据源故障表征具有不确定性、模糊性的情况下对滚动轴承实现有效、可靠的故障诊断,是目前研究的热点问题。基于以上背景,本文将滚动轴承作为研究对象,利用深度学习算法和多源信息融合技术,深入研究滚动轴承故障诊断方法,实现滚动轴承的高效、智能化故障诊断。主要研究内容如下:1.研究一种基于1D-CNN+LSTM的智能化滚动轴承故障诊断方法,对传感器采集的原始振动信号直接进行故障分析诊断。根据滚动轴承故障诊断的训练任务设计基于卷积神经网络（CNN）和长短期记忆网络（LSTM）的诊断模型,设计适合轴承信号输入的一维卷积结构,保留原始振动信号的时间相关性,连接LSTM结构对信号数据挖掘内部时序信息,选取适合的RELU激活函数和Adam优化算法提升网络模型的训练效果。实验结果表明设计的1D-CNN+LSTM智能化诊断方法有效提高了滚动轴承故障诊断精度。2.研究一种基于D-S证据理论的融合决策故障诊断方法,实现对设备的综合故障诊断。首先建立基于1D-CNN+LSTM的诊断子网络,通过三个独立的诊断子网络对多个数据源数据进行初步的诊断,然后构建D-S证据理论诊断模型,建立故障类别识别框架,修正证据体和概率分配,对多个数据源初步诊断结果进行决策级融合处理分析,实现对电机设备的全局故障诊断。实验结果表明提出的融合决策诊断方法具有有效性和容错性,在诊断子网络对故障模式误判后仍能通过证据融合决策修正误判的故障类别,提高故障诊断准确率。