随着科技发展和工业水平的不断提高,机电设备日益呈现大型化,复杂化和结构紧密化的特点。机电设备的任何关键部件出现故障,都有可能引起其他部件发生连锁反应导致设备受损。轴承作为机电设备中必不可少的关键部件,其正常可靠是机组安全稳定运行的重要保障。本文针对机电设备中的滚动轴承,首先考虑轴承不同故障的特征提取,采用新型方法进行故障特征提取与诊断。其次针对轴承早期故障的特点,建立相应的早期故障诊断模型进行轴承早期故障的检测。然后针对传统故障诊断模型诊断强噪声干扰下的故障存在的限制性,提出了基于深度学习网络的故障诊断模型。最后通过建立基于深度学习网络的寿命预测模型对轴承退化趋势及剩余寿命进行预测。本文主要包括以下内容:（1）研究了轴承不同故障的特征提取与诊断问题。针对轴承的不同故障,提出了基于信号分析与熵理论结合的特征提取方法。采用对偶数复小波变换（dual-tree complex wavelet transform,DTCWT）结合排列熵（permutation entropy,PE）有效表征轴承故障的特征,引入模糊C均值聚类算法（fuzzy C means clustering,FCM）,从而实现了故障的特征提取与诊断。（2）研究了轴承单一工况到不同工况的特征提取与诊断问题。首先提出了一种新的维数约简方法,并将其应用在了单一工况下轴承故障信号的低维敏感特征提取过程。针对实际工程应用中轴承样本稀缺匮乏,传统模型无法有效训练的问题,提出了基于迁移学习的改进领域适应方法,有效实现了轴承不同工况下的跨域故障诊断。（3）研究了轴承的早期故障诊断问题。针对轴承早期故障信号的特点。利用信号特征提取与降噪方法,提出两种早期故障诊断模型。第一种从早期故障信号被强大噪声干扰的角度出发,利用变分模态分解（adaptive variational mode decomposition,AVMD）和局部切空间排列（local tangent space alignment,LTSA）去噪建立了轴承早期故障诊断模型。第二种从早期故障信号的故障共振频带较宽的角度出发,利用频率切片小波变换（frequency slice wavelet transform,FSWT）和改进可调品质因子小波变换（improved tunable Q-factor wavelet transform,ITQWT）方法构建了轴承早期故障诊断模型。有效实现了轴承的早期故障诊断。（4）研究了强噪声干扰下的轴承故障诊断问题。针对信号被强噪声干扰时,传统轴承智能故障诊断模型存在限制性的问题,提出了两种不同的深度学习故障诊断模型。针对卷积神经网络（convolutional neural network,CNN）网络参数训练需要大量样本,且训练过程较为耗时的问题,提出了基于迁移学习-卷积神经网络（transfer learning–convolutional neural network,TLCNN）的故障诊断模型。针对时频图像输入尺寸特征,提出了基于卷积深度置信网络（convolutional beep belief network,CDBN）的故障诊断模型。将一维振动信号转换为二维（two-dimentional,2-D）时频分布图像,作为所提出网络模型的输入,实现端到端的故障诊断。采用基于深度学习的故障诊断模型有效实现了不同噪声环境下的轴承故障自适应特征提取和分类。（5）研究了轴承退化趋势及剩余使用寿命预测问题。针对传统寿命预测方法受专家经验和模型参数影响较大的问题,将深度学习理论应用于轴承寿命预测中,提出了基于时频图像和多尺度CNN的寿命预测模型。针对实现轴承寿命的准确预测需同时兼顾信号全局和局部特征的问题,构造了多尺度CNN网络结构将不同层的特征串联得到兼顾信号全局和局部特征的多尺度特征。时频分布图像和多尺度CNN相结合的方法将特征提取和寿命预测集成为一体,可以自动完成轴承的特征提取和寿命预测任务,得到较为准确的预测结果。（6）总结全文。概括了论文的研究内容和创新点,对未来的研究工作进行了展望。