滚动轴承作为旋转机械设备的核心部件,在工业生产等多个领域都具有广泛应用,其运行状态直接影响着整个机械装置的准确度和可靠性。但由于其使用工况的复杂性,难以按照设计寿命确定维修替换时间,因此需要对其开展有效的故障诊断研究,以防止因其失效破坏造成重大损失。本文首先对轴承故障机理进行分析并求得其故障特征频率公式,并介绍了西储大学轴承故障数据集与自制试验台数据集的相关参数。然后针对用于轴承故障诊断的一种多尺度MSCNN网络为分析对象介绍了卷积神经网络的架构以及前后向传播过程。此外,由于在轴承故障诊断研究中主要依靠其运行过程采集的振动信号数据进行状态评估。但实际采集的振动信号存在噪声干扰,容易影响诊断结果。因此需要对信号进行有效的降噪处理。本文基于权重排列熵思想提出了一种优化VMD分解方法,并以此进行降噪处理,然后与小波分析降噪结果进行了对比,以验证降噪方法的有效性。之后本文基于轻量多尺度模块、通道注意力机制和长短时记忆等模块对MSCNN结构进行改进,提出了一种多尺度卷积神经网络MSLCNN用于轴承故障诊断。并分别在西储大学轴承故障诊断数据和自制试验台数据上进行了测试,验证了网络在故障诊断方面的有效性。并将新提出的网络与MSCNN、SVM等经典模型进行了对比试验。此外,为了充分探究网络性能,分别在不同负载、样本和含噪数据上进行了测试,发现网络具有较好的泛化能力和小样本性能,只是在抗噪能力上略有不足。最后,针对卷积神经网络存在平移不变性和池化层容易丢失数据特征的问题,本文在传统胶囊神经网络的基础上添加多尺度卷积层Inception和空间注意力机制,得到一种新型多尺度胶囊神经网络模型。其中由于胶囊网络能够以向量的形式包含更多特征信息,其在较少数据量的条件下,便可以达到较高的故障诊断准确率。同时对比传统胶囊神经网络和WDCNN卷积神经网络,发现其能达到高于它们的诊断准确率,此外发现该网络同样在变负载、小样本和抗噪能力上具有良好的效果。