滚动轴承是机械设备的“关节”,有着承受载荷和传递动能的作用,其健康与否直接影响设备能否正常工作。由于滚动轴承通常工作在恶劣环境下,致使滚动轴承容易出现损伤,若不及时对其进行维护可能造成重大的安全事故。因此,为了保障滚动轴承持续的正常运行,需要对滚动轴承的健康状态进行更加全面、准确评估。健康评估是对滚动轴承工作时的振动信号进行时域、频域等特征提取,再利用非线性拟合模型对其进行性能退化趋势和剩余使用寿命的预测。早期,通常采用机器学习的方法对滚动轴承的性能退化趋势和剩余使用寿命进行预测,但是滚动轴承运行工况复杂,传统的机器学习方法无法有效提取深层特征,准确表征滚动轴承的退化特征。深度学习是人工智能领域的最新研究,其能够学习到振动信号中的隐含特征,并且有强大的特征提取能力,因此,本论文采用了基于深度学习的方法对轴承进行健康评估。论文的工作安排如下:（1）针对在获取滚动轴承全寿命样本困难时,对其进行趋势预测存在退化特征选取困难、网络局部信息丢失的问题。本文提出了基于自编码器（Autoencoder,AE）和自校准时间卷积网络（Self-Calibration Temporal Convolutional Network,SCTCN）的滚动轴承退化趋势预测方法。首先,从原始振动信号中提取多域特征,并通过特征的单调性和与时间的相关性来综合筛选特征,以剔除掉性能较差的特征;然后,利用AE融合特征,得到反映滚动轴承退化的特征;最后,为了掌握滚动轴承未来的健康状态,利用SCTCN高效处理时间序列的优点,使用长期迭代方法实现预测。AE融合后的特征更能准确表征滚动轴承退化过程。SCTCN能防止局部信息丢失,得到更加完整的历史信息,通过Cincinnati大学试验台数据验证了所提方法的有效性和准确性。（2）针对在滚动轴承全寿命样本较充足时,对剩余寿命进行预测时,难以确定失效阈值和特征对模型的贡献程度不同的问题,提出了密集自注意力时间卷积网络（Dense Self-Attention Temporal Convolutional network,DSATCN）滚动轴承剩余寿命预测方法。首先,利用相对均方根指标将轴承寿命周期划分为两个时期;然后,利用密集自注意力时间卷积网络构建虚拟健康指标,在构建的健康指标中,轴承的失效阈值都为0,同时其能根据特征对模型贡献程度的不同,自适应地分配权重,从而提高模型预测精度;最后,为了预测滚动轴承的剩余寿命,利用SCTCN预测健康指标的发展趋势。以西安交大XJTU-SY型滚动轴承试验台为例,对所提出的算法进行了验证。（3）为了验证本文所提方法的工程实用性,采取某风场的风电机组齿轮箱滚动轴承实测数据来进行了验证。采用本文所提方法分别对风电机组齿轮箱滚动轴承进行了退化趋势和剩余寿命预测。通过实验结果可知,本文所提方法能对风电机组齿轮箱滚动轴承进行准确的健康评估。