随着现代技术的日益变革,我国在海洋的探索道路上也逐渐深入,船舶作为最重要的海上交通工具,无论是军用还是民用都有重要的价值。在大数据驱动的时代下,一方面船舶正在朝着精密化和自动化的方向发展,为了保证船舶的安全运行,需要对主要零部件进行健康状态监测,另一方面如何有效地利用庞大的数据集成为研究重点。轴承作为大多数机械设备中的关键部件,本文使用深度学习模型中的卷积神经网络作为轴承故障诊断的方法,降低了故障诊断的难度,提高了故障诊断的准确率,实现了端到端的检测目的。主要工作内容如下:首先,利用RS算法设计传统CNN诊断网络。针对CNN诊断网络中超参数众多的问题,首先根据人工经验确定了要查找的超参数种类和范围,然后利用RS算法实现了在计算机上的自动超参数寻优,将最优结果作为最终诊断的模型。然后对构建好的CNN诊断网络进行了诊断结果分析,表明了将CNN作为轴承故障诊断模型的可行性。其次,利用LSTM和Ada BN算法改进传统CNN诊断网络。因为传统CNN诊断网络前半部分的输出结果为一维特征图序列,并且LSTM网络本身对于序列数据具有良好的特征提取能力,因此通过利用LSTM层代替全连接层可以充分结合两种特殊网络的优点,进一步提升CNN诊断网络的特征挖掘能力,提高最终的识别精度。并且通过在每层特殊网络层后面添加BN层,一方面规范化每层的输出,减少了网络中各层的耦合程度,加快网络的整体训练速度,保证轴承故障诊断的实时性,另一方面用于领域自适应,提高了网络在测试集上的分类表现。最后通过对改进CNN诊断网络的处理流程进行说明,表明了网络结构改变后相对于传统CNN诊断网络诊断过程的差异性。最后,对于改进CNN诊断网络进行了实验验证。首先对于改进CNN诊断网络进行了诊断结果分析、神经元可视化分析和分类过程可视化分析,验证了网络结构、训练速度和泛化能力三方面改进的正确性。然后利用模拟数据集进行了改进CNN诊断网络和传统CNN诊断网络的对比分析,从诊断结果、抗噪能力和变工况自适应能力三方面表明了改进后诊断网络性能的提高。最后利用公开数据集进行了改进CNN诊断网络和其它主流诊断网络的对比分析,进一步验证了改进CNN诊断网络优越的诊断性能,适合作为船用轴承的故障诊断。