随着物联网与普适计算的快速发展,故障识别在工业领域日益引起关注。在故障识别领域中深度学习模型取得了较好的应用效果,但目前的深度学习故障识别方法缺少可解释性,即从原始数据到最终分类器功能的各种映射都是非线性的,这导致在分类应用中,深度学习判断故障类型的依据不清晰。输入的时间序列信号容易受到噪声的影响,涉及大量领域知识,不好判断出其具体的物理意义。本文的目的即解决以故障时序数据作为输入的深度学习方法缺少可解释性的问题。在本文中采用了LRP（逐层相关性方法）,设计了LRP方法与CNN网络相结合的双向传播模型,以连续小波变换得到的时频图作为输入,在正向传播时学习深度特征,实现高的分类准确率,通过反向传播至输入数据,基于结果进行解释,得到对于故障分类起作用的显著频率等信息。观察显著频率在时频图上的分布后,提出了基于阈值的mask方法对显著频率的正确性进行验证。最后通过显著频率构建滤波器对信号进行滤波处理,提出了基于滤波器的深度学习推理服务优化方法,从输入的角度简化了输入信息,从而使构造的深度分类网络得到简化,优化了计算量、吞吐量及推理时间等性能指标。在可解释的双向传播模型时中,采用灵敏度较高的连续小波变换方法,有效捕获与故障相关的频率分量,在时频域中表示时间序列数据。我们在两个轴承故障数据集（CWRU,DC）进行实验与评估。在可视化的解释结果中观察到对故障识别结果起到积极决策作用的显著频率在时频图上的分布,研究观察到的脉冲周期与结合轴承故障的种类及严重程度等领域知识计算出的脉冲周期之间的关系。轴承故障识别数据集多为领域知识复杂、故障多样化的工业故障数据,本文对轴承故障识别及可解释性相关知识进行分析和介绍,对于故障识别常见的机器学习以及深度学习算法进行分析,选择最合适的识别方法。并结合领域知识对轴承故障特征频率的意义和计算方法进行了说明。通过分析滤波器的构造原理与我们需要保留的频率范围设计滤波器。将依据故障类别所设计的滤波器和所设计的深度分类模型进行组合,选取合适的组合策略。我们从推理时间、计算量等多个评价指标证明了我们的模型得到了优化。