滚动轴承被广泛应用于各种旋转机械当中,被称为机械的关节,是旋转机械中至关重要的零部件,同时也是最容易发生故障的部件之一。其运行状态是否正常直接影响着人员设备的安全,所以找到一种行之有效的滚动轴承故障诊断方法具有重大的意义。本文主要针对滚动轴承振动信号结构复杂、难以区分的问题,提出了两种新的智能诊断方法,一是基于变分模态分解(Variational Mode Decomposition,VMD)与深度置信网络(Deep Belief Network,DBN)相结合的滚动轴承故障智能诊断方法,二是基于改进S变换与稀疏自动编码器(Sparse Auto-Encoder,SAE)相结合的滚动轴承故障智能诊断方法。并且通过仿真信号与实际信号的诊断实验验证了这两种方法应用于滚动轴承故障诊断的有效性。首先,研究了滚动轴承的基本结构和常见的故障类型,以及滚动轴承外圈、内圈和滚动体的故障频率。随后重点研究了针对滚动轴承振动信号的分析方法,从时域分析、频域分析和时频域分析三个方面对滚动轴承振动信号进行特征提取的方法进行了研究。其次,研究了两种深度学习神经网络模型,分别为稀疏自动编码器和深度置信网络。重点研究了自动编码器的结构原理以及通过加入稀疏性惩罚项改变自动编码器的代价函数来使编码器获得稀疏性,还对Dropout和抗噪编码原理进行了研究。同时针对深度置信网络的网络结构以及训练过程做了详细研究。再次,针对滚动轴承振动信号结构复杂,难以提取故障特征的问题,提出了基于VMD与深度置信网络相结合的滚动轴承故障诊断方法。首先利用VMD将振动信号分解为若干模态分量,然后利用样本熵和互相关系数对分量进行重构,信号经重构后,噪声等无用信息被有效滤除,信号的有用特征更加明显,将重构后的信号的频谱输入到深度置信网络中,可以快速有效地实现故障特征的提取与分类,并通过实际信号实验,证明了该方法的有效性。然后,针对滚动轴承振动信号具有非线性、非平稳特性,传统的信号处理方法难以提取特征的问题,提出了一种基于改进S变换与稀疏自动编码器相结合的滚动轴承故障诊断方法。利用S变换窗函数窗宽可以改变的优越性,通过对S变换加入窗宽调节因子的方式可以实现对窗宽的灵活调节,以获取更好的时频分辨率,对于提取滚动轴承振动信号的故障特征具有很好的效果。结合稀疏自动编码器,可以对滚动轴承不同部位,不同故障尺度的多种故障进行有效地故障诊断。且通过实际信号实验,证明了该方法的有效性。最后,设计了一个基于LabVIEW与MATLAB的滚动轴承状态监测与故障诊断系统,结合LabVIEW的图形化编程与MATLAB强大的计算能力,可以实现滚动轴承振动信号的采集、状态监测和故障诊断等功能。