滚动轴承作为旋转机械设备的基础部件,其运行状态对设备至关重要,滚动轴承的好坏将直接影响机械设备的运行。在这种背景下,对机械设备中的滚动轴承故障进行识别判断和剩余使用寿命（RUL）预测就显得十分关键,这样就可以减少甚至避免因机械设备发生故障而产生的意外,同时又可以依据设备的RUL提供安全、稳定的后期维护策略。为了能有效的对机械设备健康状态进行监控,对滚动轴承进行定期的故障识别和寿命预估是必要的。为了提取更加充分的原始振动信号的特征信息,进行准确的故障特征识别和RUL预估,本文首先提出了一种基于轴承信号时频域变换分析方法与卷积神经网络（CNN）相结合的故障识别方法,然后提出了一种结合集合经验模态分解（EEMD）和长短时记忆网络（LSTM）的滚动轴承RUL预测方法,研究内容如下:传统的故障诊断方法需要人工进行特征提取,这就导致了很多因人为存在的一些不可逆的误差,本文提出的将时频域上的振动信号输入到CNN模型中进行滚动轴承的故障诊断的方法,以很好的解决这一问题。为了提高CNN的学习准确率和收敛速度,引入了Adam算法进行优化,降低算法的学习率,以自适应的方式学习CNN模型。在CWRU实验中心数据下,得出了基于CNN的时频域特征进行分析并诊断,其诊断率高于相同条件下的时域特征和频域特征。为了预测滚动轴承的剩余使用寿命,就需要充分提取轴承振动信号的特征信息,构建轴承的健康指标。本文提出了一种基于LSTM与EEMD相结合的RUL预测方法。首先对振动信号时频域进行分析,选定出用于本文进行RUL预测的基本特征集。针对提取的特征中可能含有用不到的冗余特征,利用相关系数原则将特征进行约简,最终得到较为敏感的趋势特征集。最后建立LSTM网络模型来预测轴承剩余使用寿命,试验结果表明此方法比传统的特征提取的方法对滚动轴承进行寿命预测更加准确,预测结果更为理想。针对滚动轴承的退化状态较为多变,且会出现退化特征不明显的问题,本文选用LSTM网络构建健康指标,当LSTM-HI为0时,轴承失效,用在轴承剩余寿命预测上效果显著。最后在PRONOSTIA实验平台数据的支持下,基于EEMD-LSTM的轴承的RUL预测方法与EEMD-BP网络和EMD-LSTM网络进行对比,可以发现,本文所提方法的预测效果更加显著。