轴承是旋转机械的核心零部件,其健康状况直接影响机械设备的整体运行。航空发动机主轴轴承一般工作在高温、高速、重载的严苛工况下,作为传动关节的主轴轴承很容易受损,轴承一旦受损将导致发动机效能下降,甚至造成严重事故。因此,对航发轴承进行故障诊断与预测可以降低维修成本,优化资源配置,确保设备正常运行。目前,现有的轴承故障分类神经网络模型只适用于固定转速和载荷的情况,在转速时变、交变载荷的情况下其诊断性能急剧下降,且现有方法的故障特征表达能力和抗噪性能差,故障诊断的可靠性及正确率较低。论文针对以上问题,提出相应地解决方案,主要研究成果如下:（1）针对转速时变、交变载荷工况下现有算法故障分类性能下降的问题,提出了一种基于小波包重构成像和深浅层特征融合神经网络的单通道故障分类算法。首先,利用8路加速度传感器,采集得到航发轴承在1000rpm～10000rpm转速范围内多个载荷下的四种典型故障振动信号和正常振动信号。其次,选取有限个工况条件下的振动信号形成训练样本库,其余工况下的振动信号形成测试样本库,并对两个样本库的振动信号进行小波包重构成像,消除数据采集过程中干扰分量的影响。最后,通过跳跃连接的方式构建了具有深浅层特征融合特性的分类网络,使网络能提取到更丰富的故障特征,完成故障分类预测。试验结果表明,提出的网络模型能够稳定收敛,且收敛速度快。相较于现有的故障分类算法,论文方法提高了轴承在转速时变、交变载荷工况下的故障分类正确率。（2）针对现有算法故障特征表达能力和抗噪性能差的问题,提出了基于3D滤波和多通道数据融合神经网络的故障分类算法。该算法利用多个通道的时频谱形成三维数据样本,并通过样本的3D滤波加强了各通道数据之间的关联性,增强了故障特征表达能力。构建了基于多通道数据融合的故障分类网络,将dropout用于多支路特征提取的卷积核上,增强了模型的抗干扰能力。试验结果表明,在无噪声情况下,论文方法在四个测试集上平均故障分类正确率高达99.95%,且模型鲁棒性强,在噪声环境下,论文方法的优越性更加明显,当测试集信噪比为0dB时,故障分类正确率为97.9%。