旋转设备大量安装于工业中各个环节,轴承是旋转机械的核心零件,它的工作状况直接影响设备的稳定性和工作效率。旋转设备通常运行环境恶劣易发生事故,工作环境的复杂性使得轴承的机械性能很容易受到破坏,而且细微的故障也很难直接观察到,如若不能及时排除故障,将会导致事故,进而带来经济上的损失甚至人员伤亡。由于机械设备结构复杂,运行参数具有动态时变性。因此,发生的故障通常具有复杂且不确定的特征。对于复杂大型机械的早期微弱故障分析难度高,而且传感器采集得到的振动信号一般混杂有背景噪声,很难直接进行故障分析。使用智能故障检测技术可以快速准确地检测设备出现的各类损伤,从而提高设备的可靠性,减少维护开销。本文通过对机械设备进行研究分析,以达到提高设备的实时监测水平、故障分类精度和准确预测剩余使用寿命为目的。在对故障机理和工业大数据分析的基础之上,论文中使用信号处理方法和深度学习模型提取故障特征,进而完成对机械设备的运行状态监测和剩余使用寿命预测。此外,为了提高故障诊断精度,还需要将对含背景噪声的振动信号进行噪声抑制降噪处理。论文的研究内容主要分为以下三个部分:（1）基于深度学习的设备状态监测和故障诊断研究。对于轴承的失效模式和不同损伤程度,建立组合卷积神经网络模型;使用并行网络同时学习信号的时间和频率特征,通过模型超参数调整和模型参数的训练进行故障模式和损伤程度识别,获取设备实时运行状态,完成设备故障诊断,最后使用不同工况下的实验实例进行验证。（2）基于深度编码-解码神经网络的机械振动信号去噪方法研究。本文提出使用带有跳跃连接的编码-解码卷积神经网络学习信号稀疏表示。受去噪自编码器启发,论文中构建的网络分为编码与解码两部分,这样可以保证模型输入和输出样本长度一致,同时使用跳跃连接可以避免梯度消失问题,提高深度学习模型的降噪效果,最终使得重构出的轴承信号具有较高的准确度和较低的误差。（3）基于深度学习的发动机剩余使用寿命预测研究。论文利用设备的多类监测信息,使用航空发动机全寿命周期数据开展了机械装备剩余使用寿命预测研究。论文对深度学习在机械装备退化过程和剩余寿命预测中的应用进行了研究,使用卷积神经网络结合BIGRU的航空发动机剩余使用寿命估计网络架构对航空发动机的仿真数据进行了实验分析,并和最新的基于深度学习的RUL预测模型进行对比。提出的方法可以将设备采集到的数据直接映射为剩余使用寿命的值,并取得了较好的预测效果。此外,该方法不依赖于作业人员的专业技能,应用更加简单。论文以CWRU轴承数据和C-MAPSS数据集作为实验对象,创新性提出故障诊断、信号降噪和剩余寿命预测模型,并实验证明了所提出网络的有效性,可为设备的稳定运行提供技术支持。