滚动轴承是现代各种机械设备中常用的一种标准化零部件。是各种复杂设备中不可或缺的重要组成部分。但是轴承的抗冲击能力较差,当轴承在遭遇到外界的冲击载荷时可能会发生损坏,从而导致机械设备故障。因此,有必要对轴承进行故障诊断。然而,传统的故障诊断方法通常需要人工制定一套特征提取规则来获得轴承故障特征,以此来判别轴承是否发生故障,而轴承的多样性和振动信号的复杂性导致故障特征的提取非常困难,极度依赖于研究人员的故障诊断经验。针对这一问题,本文提出一种能够自适应提取特征的CNN(Convolutional Neural Networks)模型。该模型通过一个两层的卷积网络来提取轴承的故障特征,然后将提取的特征使用一个全连接网络进行故障识别,最后输出每种故障类型发生的概率。使用CWRU(Case Western Reserve University)的实测轴承故障数据集来进行实验,实验结果表明CNN模型在样本充足的条件下识别准确率达到97%。由于CNN模型依赖于大量的含标签数据进行训练,而大量数据的标注会导致人工成本的增加。因此,针对小样本数据。本文在CNN模型的基础上提出了CRNN(Convolutional Recurrent Neural Networks)模型。该模型通过卷积网络来进行故障特征的提取,且通过双向的长短时记忆网络来提取振动信号的时序特征。为了更充分从原始振动信号中提取出故障信息,在卷积网络的池化层中使用了重叠池化操作。使用CWRU数据集进行实验的结果表明,CRNN模型在每类故障数据仅含有2个样本的条件下,依然保持97%的识别准确率。因此,基于卷积循环神经网络的故障诊断方法可以应用于仅含有少量训练样本的轴承故障诊断任务中。为了进一步提升CRNN模型的泛化性能和在复杂环境中的故障诊断性能,本文提出了CRNN模型的改进版本CRNNA(CRNN with Attention)模型。CRNNA模型主要在CRNN模型的基础上添加了注意力机制,且分别在卷积网络和循环网络的输出设计一个子网络来实现。注意力机制使得CRNNA模型可以重点关注振动信号中故障特征明显的信息,忽视掉无用的噪音信息。使用CWRU数据集进行实验的结果表明,在小样本训练数据条件下,CRNNA模型的抗噪性和抗变载能力均优于CRNN模型,同时也优于CNN和支持向量机等常用的故障诊断模型。为了验证模型的通用性,使用动车组齿轮箱使用的圆锥滚子轴承进行验证。实验结果表明,在每个故障类型仅有2个训练数据的条件下,CRNNA模型的识别准确率达到了92%。因此,CRNNA模型不仅拥有优良的泛化性能,而且适用于各种类型的滚动轴承。此外,为了使CRNNA模型能够使用在实际的生产环境中,使用Flask将其部署到线上环境中。并设计了在线学习方法使得模型可以持续优化不断地适应新环境。