轴承是旋转机械的关键零部件之一,其工作环境复杂多变,易导致轴承发生故障甚至失效,造成严重经济损失甚至人员伤亡,因此轴承故障诊断以及轴承健康监测对现代化机械设备维护具有重要意义。传统的滚动轴承故障方法具有依赖专家信号诊断经验、人工特征提取和准确率低等问题,不能满足在大数据背景下的现代化智能故障诊断的要求。针对以上问题,本文提出以深度学习为基础理论的轴承故障诊断网络模型,研究了不同的网络算法,能够实现在噪声和变工况复杂环境下的滚动轴承故障的高识别率。主要研究内容如下:（1）针对轴承故障振动时域信号特点,本文提出了基于一维并行多通道卷积神经算法（Parallel Multichannel Deep Convolution Neural Network,PMDCNN）。研究了数据样本预处理方法,试验结果表明,该网络模型通过不同的通道能够提取不同的信号特征,能够实现具有较高准确率的轴承故障诊断。在该模型的基础上,通过模型层数的研究提高了该模型的性能;选择Adam优化器和合适的学习率加快模型收敛速度;采用批量归一化算法提高网络模型稳定性;利用Dropout技术提高了网络的泛化能力。针对该网络模型参数量过多问题,通过局部稀疏化原理对PMDCNN网络进行优化,使其优化后的模型参数量是以前的1/70。（2）针对轴承受到噪声和变工况环境干扰网络识别准确率降低的问题,采用将长短期记忆网络（Long Short-Term Memory,LSTM）与该模型组合（PMDCNN-LSTM）的方式,使其能够更好地提取轴承信号故障特征,采用ELU激活函数缓解了网络梯度消失问题,通过对批量归一化数目和训练样本的研究,极大地减少模型训练时间,提高了模型的性能。结果表明:该网络具有较强的抗噪声和抗变工况性能。通过与其他算法试验测试对比表明,优化后的PMDCNN-LSTM算法模型具有很好的适用性、很强的稳定性和较高的轴承故障识别准确率。（3）针对实测轴承和齿轮数据量少和近似领域训练模型困难问题,设计了一种基于迁移模型的实测轴承和齿轮故障诊断网络。结果表明:在CWRU数据集上训练好的模型迁移到实测轴承和齿轮领域上能够极大程度保留原模型的故障识别能力,能较好地对实测轴承和齿轮进行故障识别。