滚动轴承作为旋转机械设备中的核心部件之一,占有不可或缺的地位。在实际的工业应用中,由于轴承长期处于高负荷变工况的工作环境中,难免会出现各类失效形式。其一旦发生故障将会影响到机器的整体性能,从而造成巨大的经济损失。因此,实现滚动轴承连续状态监测和故障诊断程序具有重要的现实意义。滚动轴承的运行状态往往处于变化的转速或负载条件下,使得状态监测信号表现出较强的非平稳性和非线性特征,给故障特征提取与诊断工作带来了很大挑战。传统的故障诊断方法需要提取故障特征进行故障诊断,在很大程度上依赖于先验知识和专家经验。深度学习算法具有较强的特征提取能力,能够构建深层神经网络,自动学习大量数据样本中的特征,可以直接对故障进行识别和分类。因此,本论文将以滚动轴承为研究对象,结合深度学习相关算法实现了滚动轴承故障的智能诊断,主要工作和研究内容如下:（1）本文首先对非平稳信号的时频分析方法进行了介绍,引入了多次同步压缩变换技术（Multisynchrosqueezing Transform,MSST）,然后介绍了卷积神经网络（Convolutional Neural Network,CNN）和循环神经网络（Recurrent Neural Network,RNN）的结构以及提取特征信息的原理。最后介绍了本文使用的故障模拟实验平台和信号采集等过程,为后续的研究提供了理论和数据支持。（2）针对变转速滚动轴承振动信号具有非平稳性特征且故障特征难以有效提取的问题,提出了基于MSST和TCNN（Two-channel Convolutional Neural Network）的轴承故障智能诊断方法。首先,对变速下的振动信号采用峰值保留降采样算法进行预处理。然后,通过多次同步压缩变换得到能量集中的时频表示。最后,结合双通道小卷积核CNN提取时频图像中故障特征信息后进行融合并输出分类结果。实验结果表明,利用故障模拟实验台的轴承实验数据,该方法能够达到99.67%的分类精度。（3）针对一维原始时序振动信号,提出了一种MSPCNN（Multi Scale Parallelconnection Convolution Neural Network）-GRU（Gated Recurrent Unit）故障诊断模型,实现了不同转速和负载条件下轴承“端到端”的故障诊断。MSPCNN-GRU模型优化了多尺度卷积层,能较好地提取信号中的空间故障特征,并结合GRU算法对序列信号中的时间信息进行提取,提高了故障诊断的准确性。实验表明,该方法能够获取包含在序列数据中的时间和空间的特征信息,具有较高的故障识别精度。通过CWRU轴承数据集中不同载荷下振动信号的测试,结果表明,该模型的测试精度分别为99.83%,99.96%和99.92%,验证了该模型具有较强的泛化能力。