电机滚动轴承作为旋转电机设备中最为关键的承载部件,其健康状态是评价电机设备运行稳定性和可靠性的重要指标,对电机滚动轴承开展健康状态识别与剩余使用寿命预测的研究具有重大意义。在《中国制造2025》中提倡设备可靠性技术创新发展以及智能化工业的背景下,利用大数据以及深度学习等技术,开展对电机设备关键零部件的退化机理研究受到广泛关注。本文通过对电机滚动轴承进行智能监测及预测的方式,实现电机设备的提前故障预警及零部件替换,主要的研究内容如下:（1）设计一种基于融合多尺度U-Net网络和对抗神经网络（GAN）的多尺度特征提取的改进模型,用以提取滚动轴承振动信号的有效特征,消除轴承初始信号内部多余噪声。滚动轴承采集的初始信号具有非平稳、非线性以及强信噪比等特点,通过利用U-Net网络的非线性特征提取能力,建立多尺度网络,提取振动信号的退化信息,而后利用GAN神经网络将多尺度模型提取的信息作为生成信息,鉴别器对多尺度模型提取特征信息和原始信息不断进行鉴别。最终将鉴别后的特征信息通过嵌套散点图（NSP）方式转换为二维图像作为深度学习模型的输入。（2）在提取初始信号有效信息并转换为NSP图像的基础上,设计了一种基于不平衡数据集的轴承健康状态划分算法。针对轴承的健康状态划分方面,传统的方法一般涉及到专家监督学习,容易受到主观因素影响和专家知识的限制,因此有必要建立一种有监督的自学习方法来对轴承健康状态进行划分。通过构建不平衡的训练数据集,来契合实际轴承老化过程中正常阶段时间一般要高于故障和退化阶段,而后提出一种测试集输入到训练好的模型进行健康状态划分以及识别出第一故障时间（FPT）。（3）在上述基础上,加入多尺度空洞卷积网络和双向GRU网络对轴承退化阶段进行剩余寿命预测。通过之前的健康状态划分后识别出退化阶段,而后将其作为寿命预测模型的输入,同时引入时间窗的概念,用以扩展当前输入的时间序列数据的长度,利用多尺度卷积可以提升大范围特征表达能力,双向GRU网络实现对时间序列数据进行预测,绘制出轴承的退化曲线以及RMSE等箱装图结果。