滚动轴承作为机械设备的关键零部件,在制造业的发展中有着举足轻重的地位,合理且准确地实现轴承剩余寿命（Remaining Useful Life,RUL）预测,对机械设备的安全运行,安全事故与经济损失的避免,制造工业的长足稳定发展具有重要意义。为此,本文围绕基于数据驱动的滚动轴承剩余寿命预测方法的关键步骤,以退化指数（Degradation Indicator,DI）构建与退化阶段辨识为重要内容,以准确预测轴承剩余寿命为目标展开研究,主要研究内容如下:（1）针对滚动轴承运行工况复杂多样,退化特征不明显,难以准确描述轴承性能退化趋势等问题,提出了基于多尺度残差深度卷积自编码器（MRDCAE）的轴承深度特征提取模型与基于贝叶斯优化（BO）的多核支持向量数据描述（MKSVDD）的特征融合模型相结合的DI构建方法。MRDCAE网络通过多尺度卷积的横向扩张与残差网络的纵向特征重用功能,增强了自编码网络中原始信号、隐层特征和重构信号之间的内在联系,同时引入改进的通道注意力机制,通过自主给予各通道不同权重大小的方式,来放大贡献度更大的通道特征,使提取的深度特征能合理表征轴承的内部退化性能;BO-MKSVDD模型通过贝叶斯优化算法对多子核函数参数进行寻优,使构造出的超球体能够更加全面的反映轴承深度特征信息,从而使特征融合后的DI能够准确描述轴承的性能退化趋势。（2）针对现有退化阶段辨识方法中退化起始点无法自适应检测且失效阈值难以合理设置的问题,提出了基于自适应超阈值波峰（APOT）与失效概率逻辑回归（FPLR）的自适应退化阶段辨识方法。APOT模型通过对的POT模型进行去短时趋势处理改进,实现了轴承故障阈值的自适应监测,避免了人为因素干扰,能够较早的发现轴承的退化起始点。FPLR模型通过将轴承DI的退化程度映射为失效概率,以较高概率值表征轴承失效,相较于人为失效阈值设置更加客观合理。整合上述两种方法并引入全阶时间幂灰色预测模型,提出了自适应退化阶段辨识与寿命预测框架,通过对轴承RUL预测验证,证明了本文自适应退化阶段辨识方法的有效性与优越性。（3）针对现有深度学习RUL预测方法难以准确预测轴承剩余寿命的问题,提出了互补集合经验模态分解（CEEMD）与带注意力机制的时间卷积网络（TCN-SA）相结合的轴承RUL预测模型。CEEMD分解消除了高频噪声对轴承DI退化趋势带来的不利影响,而TCN网络利用因果膨胀卷积与残差连接的特性,增强了网络的感受野。同时,自注意力机制的引入,增强了模型对有效信息的挖掘能力,提高了模型对关键信息的利用率。通过XJTU-SY数据集与PHM 2012挑战赛数据集进行实验验证,证明了本文方法能够准确描述轴承的性能退化趋势,同时能自适应确定轴承退化起始点且能合理设置轴承的失效阈值,并能实现轴承剩余寿命较为精确的预测。