轴承是机械设备的基础部件,其发展水平代表一个国家的先进加工、理论研究和制造技术的综合能力。轴承在机床、飞机和发动机等重大装备上被广泛使用,是提高高端装备性能、运行精度和使用寿命的关键零件。随着工业水平和大数据的发展,对于轴承故障诊断的研究,是我国工业实现数字化转型,由大转强的重要环节。行星齿轮箱是许多机械装备的重要组成部分,而滚动轴承是行星齿轮箱的重要零部件,因其工作环境差、工作负载大等问题,导致轴承的故障发生率越来越高,轴承一旦发生损坏,机械设备运行情况会受到影响。因此对于轴承的故障诊断十分重要。针对机械设备的轴承故障诊断研究,现有的故障诊断方法主要存在诊断效率低、占用时间长和需要专业人员参与等问题。为了实现轴承智能化、高精度故障诊断,因此采用深度学习算法进行轴承故障识别。本文的具体研究内容如下所示:（1）利用行星齿轮箱实验台采集轴承各故障的振动信号,对采集的各轴承故障振动信号进行时频域特征分析,根据不同网络模型结构建立各自的故障数据集。（2）因为经典故障诊断方法在处理过程中会存在数据损失以及识别效果差等问题,因此本研究提出SDP图像转换和膨胀组卷积残差网络（DG-Res Net）的行星齿轮箱轴承故障诊断方法,首先将采集的轴承故障振动信号使用SDP算法转换成图片,图片可以展示出故障数据特征信息,再将图片作为DG-Res Net网络模型的输入进行特征提取和识别,实现对轴承故障的诊断。从而设计出基于SDP图像转换和DG-Res Net的行星齿轮箱轴承故障诊断方法。（3）为实现“端到端”的轴承故障诊断方法,即数据从输入端进入到输出端得到分类结果。研究提出一维二分支残差网络模型,首先对一维振动数据通过滑动平移窗口进行数据增强,再进行归一化处理,将得到的数据样本作为搭建的一维二分支残差网网络模型的输入。通过网络的特征提取和分类实现对轴承故障的识别。实验结果表明该算法的准确率达到97%,可高效、便捷的实现轴承的故障诊断。