滚动轴承是汽车、高铁、航空发动机等装备中的核心零部件,滚动轴承工作在重载、变载、高压、高转速的恶劣条件下,导致故障频发,是影响装备安全稳定运行的重要因素。在噪声影响下,故障信号经常体现出非线性非平稳的特点,故障信息非常微弱。现阶段有很多传统的“浅层方法”很难准确识别隐含在多种噪声下的故障特征,针对上述问题,论文以滚动轴承为对象,采用栈式稀疏去噪自编码网络（SSDA）开展滚动轴承故障损伤识别研究,论文主要开展工作如下:（1）在多功能转子系统滚动轴承实验台上,开展了滚动轴承故障模拟实验,通过采集转子系统滚动轴承振动信号,实验设置的四种滚动轴承工况类型,根据采集的振动信号构造了SSDA网络的输入样本,为后续研究提供了实验验证的数据。（2）针对SSDA网络超参数难以选取等问题,开展了SSDA的振动特征提取及分类识别能力分析研究。通过以SSDA网络的输入层与重构层的重构误差和训练时间为评估指标,分析了5种主要参数对SSDA的振动特征提取能力的影响研究,得出超参数与重构误差和训练时间的影响规律曲线,通过实验结果表明,获得了最优超参数:迭代次数为550次、学习率合适的取值范围为0.3～0.4、损伤比例为0.01～0.15、隐含层节点数为400、SSDA网络层数为5层。（3）针对经典蚁狮优化算法（The Ant Lion Optimizer,ALO）容易陷入局部极值、寻优效率等问题,提出一种改进的自适应蚁狮优化算法（EALO）,通过EALO与经典的蚁狮优化算法ALO进行性能对比分析,得出四种功能函数的寻优规律,实验表明,论文提出的改进自适应蚁狮优化算法（EALO）性能优于经典蚁狮优化算法（ALO）,EALO算法能快速准确地获取最优参数值,寻优精度高,验证了EALO算法的有效性,适用于SSDA网络结构参数的优化。（4）基于上述的SSDA网络结构参数难以选取的问题,首先提出EALO网络参数的选取方法,将EALO算法与现有的ALO算法、GA算法、PSO算法进行对比分析,然后将EALO算法用于滚动轴承故障诊断,提出一种EALO-SSDA滚动轴承故障诊断模型,最后以转子系统滚动轴承为例,对EALO-SSDA故障诊断模型进行训练和诊断,并将所得出的结果与其他浅层方法（BP、SVM）进行对比分析,实验结果表明,本文所提出的基于EALO-SSDA故障诊断模型能有效地提高滚动轴承故障诊断识别率,验证了EALO-SSDA诊断模型的有效性。