随着科技的迅猛发展,机械设备的自动化程度逐渐增高,同时机械系统也变得越来越复杂。如果系统中某一零部件发生故障,极易引发连锁反应,造成其它零部件的损伤,这给故障诊断带来了巨大的挑战。滚动轴承是旋转机械必不可少的一类零件,对旋转机械的正常运行起着至关重要的作用。由于工作环境潮湿且长期处于高负载、高速旋转的工作状态,滚动轴承也是极易损坏的零部件,因此,研究高效的滚动轴承智能故障诊断方法具有非常重要的工程价值。深度学习具备强大的自学习能力,近年来逐渐在故障诊断领域得到应用。但滚动轴承的工作环境极为复杂,振动信号与大量的噪声信号混叠在一起,导致深度学习在轴承故障诊断中的实际应用较为困难。噪声的存在加大了滚动轴承故障特征提取的难度、降低了故障识别准确率。为解决这一问题,本文做了如下工作:首先,将full卷积和池化思想融入自编码器,设计了用于无监督故障特征提取的全卷积自编码器（Full Convolutional Autoencoder,FCAE）;采用费舍尔准则筛选出区分性好的故障特征,降低特征维数;为防止樽海鞘算法陷入局部极值,改进了算法的位置更新公式,并将改进算法优化的支持向量机（Support Vector Machine,SVM）作为滚动轴承故障诊断的分类器。实验结果表明,FCAE所提取的故障特征质量更高、更具有代表性,不加噪声时,故障识别率能达到99.5%,信噪比为-2d B时,故障识别率为87%。然后,设计了监督全卷积自编码器（Supervised Full Convolutional Autoencoder,SFCAE）。由于信噪比较低时,FCAE的故障诊断效果显著下降。为提高噪声环境下的滚动轴承故障识别效果,在FCAE的解码阶段加入softmax分类层,提出了SFCAE,使网络所提取的特征更有益于分类任务。使用多个SFCAE堆叠构建了堆叠监督全卷积自编码网络（Stacked Supervised Full Convolutional Autoencoder,SSFCAE）。在信噪比为-2d B时,SSFCAE的故障识别率能达到94.5%。最后,以SSFCAE为基分类器进行算法集成。对训练数据集进行多次随机抽样,构建不同的训练数据子集;使用训练数据子集分别训练不同激活函数的SSFCAE网络,激活函数不同,SSFCAE提取的故障特征也有所不同;设计了基于G均值的加权集成策略对不同激活函数的SSFCAE进行集成,从而得到最终的故障诊断结果。通过算法集成,在信噪比为-2d B时,故障识别率进一步提升到97.25%。