近年来，基于深度信念网络(DBN)的滚动轴承故障诊断方法逐渐成为研究热点。然而目前大部分基于深度学习的算法都是采用公式计算特征后再输入到DBN中，需要运用大量的信号处理方法，步骤繁琐、计算复杂；深度模型超参数的选择往往依赖于人工，不能自适应控制模型的建立。针对上述问题，本文提出三种基于深度学习的滚动轴承故障诊断方法，有效降低了计算复杂度，提高了故障诊断精度，具有重要的理论意义和应用价值。
　　本文主要工作及贡献在于：
　　1、本文提出一种基于PCA-DBN的水利机电设备滚动轴承的智能故障诊断模型。该方法采用PCA来提取滚动轴承时域振动信号的特征，从而实现降维。然后将经过PCA降维后的数据归一化，输入到DBN中进行训练与测试。实验表明，该方法的故障诊断性能良好。
　　2、本文提出了一种基于 KPCA-DBN 的水利机电设备滚动轴承的智能故障诊断模型。在PCA-DBN模型的基础上，首先将滚动轴承原始时域振动信号样本映射到高维的特征空间中去。在计算核矩阵的过程中，使用矩阵计算的方法，降低计算复杂度。在特征空间中使用PCA，以达到非线性特征提取并降维的目的。将选取的投影在特征空间的数据，输入到DBN中，以此训练和测试模型的故障诊断能力。实验结果表明，该算法相较于PCA-DBN模型进一步提升了故障诊断正确率。
　　3、本文提出了基于优化的KPCA-DBN的水利机电设备滚动轴承智能故障诊断模型。针对故障诊断模型的超参数调节工作繁杂的问题，引入智能优化算法：多岛遗传算法(MIGA)和粒子群优化算法(PSO)。改变选取的超参数个数，分别使用MIGA和PSO对KPCA-DBN模型进行超参数优化。该方法实验结果表明，基于KPCA-DBN模型，引入PSO和MIGA智能优化算法，均能获得完全满足约束条件的优化方案。从超参数优化试验效果来看，采用PSO比MIGA作用更为明显，使得故障诊断精度得到提升。参与优化的超参数越多，提升效果越显著。