滚动轴承零件作为旋转机械中的核心零件之一,其状态的好坏决定了旋转机械是否能够正常运转。然而,现代社会中越来越多旋转机械工作环境日趋恶劣,滚动轴承零件也面临着运行时间更长,承载压力更大等情况。滚动轴承一旦发生故障,轻则使机械设备不能正常运转,严重则可导致设备损坏甚至人员伤亡。因此,采取一定方法,对滚动轴承使用寿命做出预测,及时更换将要损坏的轴承,对于维持旋转机械的正常运转具有重要的意义。实现预测离不开特征提取与模型构建两大环节。但在特征提取中,传统方法过于依赖先验知识与专家经验,对研究者数学和物理素养有着一定的要求。存在费时费力,人工成本高,不确定性大,智能化程度低等问题。在模型构建中,大部分的研究集中在提升预测准确性上,忽视了时间成本等因素的影响。随着模型结构的日趋复杂,训练时间长,运算效率低,资源消耗大等问题也日益凸显。这些问题在一定程度上制约了预测方法的发展。因此,针对上述问题,本文开展相关研究,主要研究内容如下:（1）针对特征提取问题展开研究。借助傅里叶变换得到频域数据,降低原始数据量,减少计算负担。重构传统二维卷积神经网络结构,建立可以处理序列数据的1D-CNN结构。同时引入全局最大池化层（Global Max Pooling,GMP）整合传统池化层和全连接层（Fully Connected Layers,FC）,简化模型结构,实现特征自动提取。结合滑动平均处理,数据归一化等手段优化特征曲线。从而建立能够精准表征随轴承退化的特征数据集。（2）针对预测模型问题展开研究。从优化门控数量的角度出发,整合长短期记忆网络（Long Short-Term Memory,LSTM）的三个控制门结构,相继建立只有两个门结构的门控循环单元（Gated Recurrent Unit,GRU）和仅有一个门结构的遗忘门控单元（Just Another Network,JANET）。通过调整门控数量的方法,简化模型结构,降低运算时间,提高运算效率。同时在模型中嵌入注意力机制（Attention Mechanism,AM）,提升模型预测准确性,实现预测效率与预测准确性的同步提升。并设计试验验证了方法的有效性。（3）针对预测模型问题展开进一步研究。从重构RNN内部单元结构的角度出发,建立可并行式运算的简单循环单元（Simple Recurrent Unit,SRU）,破除RNN时序上的前后依赖性,一定程度上使RNN实现并行式运算,更彻底的简化模型结构,降低运算时间,提高运算效率。此外,引入反向堆叠机制（Bidirectional Stacking Mechanism）,建立可双向学习信息的双层SRU模型,提升预测准确性,同样实现在预测效率以及预测准确性上的同步提升。并设计试验验证了该方法的有效性。通过本文研究,提出一种基于两阶段同步优化的滚动轴承预测方法。在特征提取环节依托卷积神经网络实现特征自动提取,旨在提升预测智能性;在模型构建环节重构循环神经网络结构,引入创新机制,旨在获得预测准确性和预测效率的同步提升。本文研究内容从一定程度上填补了现阶段研究中的一些空白,为滚动轴承寿命预测方法的智能化、高效化发展提供了一种新思路。