滚动轴承是旋转机械的重要组成部件,一旦出现故障就可能造成严重的经济损失,甚至会带来人员伤亡。因此,准确预测滚动轴承的剩余使用寿命（Remaining Useful Life,RUL）对旋转机械的视情维修意义深远。当前对轴承RUL预测的关键在于构建合适的退化指标和预测模型。深度学习由于其强大的特征表达能力和自适应提取能力,被广泛应用于基于数据驱动方法的滚动轴承的寿命预测中,但目前提出的大多数基于深度学习的退化指标构建方法往往缺乏对退化过程时间信息的考虑;并且忽视了轴承个体差异性带来的训练模型与测试轴承的失配问题。在寿命预测中,精准的预测模型及合适的失效阈值往往很难获得;并且健康阶段数据对退化阶段趋势规律挖掘的干扰也是制约预测精度的重要因素。为此,本文以退化模式匹配为出发点,对滚动轴承剩余寿命预测中退化起始点的确定、退化指标的构建、失效阈值的设置及预测模型的构建进行了研究,内容如下:（1）提出了基于卷积自编码（Convolutional Autoencoder,CAE）的性能退化深度特征提取方法和基于特征适应度分析的特征约减方法。利用格拉姆角场（Gramian Angular Fields,GAF）将轴承频域信号映射成包含完整特征信息和时间信息的二维图,然后输入到CAE模型进行深度特征自适应提取。针对无监督提取的特征难以保证其与时间的相关性及不可避免的存在特征冗余现象,本文综合考虑特征灰色贡献度及其固有劣化特性,构建特征混合适应度函数,并以此挑选出有利于退化状态描述的深度特征。（2）提出了基于K均值聚类算法优化连续隐马尔可夫模型（K-Continuous Hidden Markov model,K-CHMM）的轴承退化起始点确定方法。为了避免轴承正常阶段特征对退化阶段趋势预测的影响,利用K-CHMM对优选退化特征进行状态划分,找出第一预测时间（First Prediction Time,FPT）,并通过包络谱分析说明找出的FPT的正确性。（3）提出了基于改进自组织映射（Self-organizing Maps,SOM）的退化指数（Degradation Index,DI）构建方法和基于改进动态时间规整（Dynamic Time Warping,DTW）的退化轨迹匹配方法。利用（2）中得到的FPT之前的特征样本作为改进SOM的训练样本集,从而完成退化指标的构建。针对轴承失效阈值经验设置带来的盲目性和考虑到不同轴承的退化过程具有一定相似性,本文通过DTW实现测试轴承与全寿命轴承的退化轨迹相似匹配分析,并通过全阶时间幂灰色模型（the Gray Forecasting Model with Full Order Time Power terms,FOTP-GM）对全寿命轴承退化阶段的退化指数进行拟合,得到其失效阈值,并将此值作为同类所有测试轴承的失效阈值。（4）提出了基于经验模态分解-双向卷积长短期记忆（EMD-Bidirectional-Convolution long short term memory,EMD-Bi-Conv LSTM）网络模型的RUL预测。为了缓解LSTM在复杂时序信号趋势预测上的精度受限问题,采用EMD分解将退化指数不同时间尺度的分量提取出来,利用Conv LSTM挖掘这些分量的内部规律,从而实现更为准确的预测效果。以测试轴承退化阶段的历史DI为驱动,采用EMD-Bi-Conv LSTM模型逐点预测测试轴承的RUL。通过实验证明,本文方法在保留轴承有用退化深度趋势特征的同时,自适应的确定了退化起始点,并在充分考虑轴承退化模式的相似性基础上,实现了轴承失效阈值的自主合理设置,并通过挖掘多尺度特征信息的方法,提高了轴承RUL的预测精度。