滚动轴承作为工业机器的主要零件之一,如果出现故障对工业正常生产影响很大,但由于工作环境比较复杂,很难及时发现,通过利用振动数据进行故障诊断是目前最常用的手段。然而,采集的故障数据一般是高噪声、高频变的非平稳信号,且含有大量的冗余信息,很难有效地进行故障特征提取和诊断。因此,本文进行了基于数据驱动和深度学习的故障诊断方法研究,主要工作如下:（1）提出了基于局部Fisher判别分析（Local Fisher Discriminant Analysis,LFDA）和稀疏表示的轴承故障诊断方法。针对轴承故障数据量较大、冗余信息多且信号变化剧烈的问题,采用全局的LDA进行降维和特征提取的方法,不能充分反映信号的局部特性。因此,本文首先采用LFDA提取轴承信号的局部fisher特征;其次,为了进一步滤除信号中含有的高频扰动信息,采用稀疏表示方法对降维后的数据进行处理,通过构建自适应特征字典,使用正交匹配追踪算法对故障信号进行稀疏表示;最后,利用最小重构误差方法对测试样本进行分类。实验采用美国凯斯西储大学和西安交通大学的轴承数据集进行分析和验证,结果表明提出的方法可以有效地进行故障诊断。（2）提出了基于软SSC经验模态分解（Improved EMD,IEMD）和自适应残差收缩网络的轴承故障诊断方法。由于轴承在转速、载荷和环境噪声的影响下,采集的振动信号特征频率较大,在不同的时间尺度上具有复杂的特性。因此,从信号本质出发,本文首先利用IEMD方法对故障数据进行处理,通过求取不同尺度上的IMF分量,保留与原始信号相关度较大的IMF分量,不仅可以更好地表征原始数据的特征,还可以减少谐波噪声的干扰。然后,为了更充分地利用数据中各个尺度的特征,建立了一种改进的残差收缩网络,在残差收缩结构中加入自适应参数Re LU,以有效地保留不同尺度的数据特征,提升网络模型的学习能力,增强网络模型对故障特征的判别能力。为了验证所提方法的有效性,采用美国凯斯西储大学和自建平台采集的轴承故障数据进行实验,并通过加入不同信噪比的噪声进行验证。实验结果表明,所提方法可以有效地实现高噪声、多冗余的滚动轴承故障诊断。