滚动轴承作为机械传动系统中的关键部件,其健康状况直接影响机械设备的运行安全,对其剩余使用寿命（Remaining Useful Life,RUL）进行预测具有重要的工程应用价值。本文以滚动轴承为研究对象,采用多种机器学习方法对滚动轴承开展RUL预测技术研究。论文的研究内容如下:（1）滚动轴承性能退化特征参数的提取与筛选。为有效表征滚动轴承性能退化过程,依据特征参数的单调性、特征参数与剩余寿命的相关性,设计了特征参数筛选准则函数。采用该准则函数,从时域、频域和时频域提取的特征参数中,筛选出了8个对轴承性能退化过程敏感的特征参数,作为后续RUL预测研究的特征参数集。（2）提出了基于SSA-SVR的滚动轴承RUL预测方法。针对支持向量回归（Support Vector Regression,SVR）预测模型相关参数难以确定的问题,提出了采用麻雀搜索算法（Sparrow Search Algorithm,SSA）对SVR的两个关键参数——惩罚项系数和核函数参数进行优化,确定了关键参数的最优值,创建了SSA-SVR寿命预测模型,并对模型进行了试验验证研究。由验证结果可知,SSA-SVR寿命预测模型的平均相对误差和平均打分值分别为28.472%和0.2677。（3）提出了基于SAE-BiGRU的滚动轴承RUL预测方法。该方法采用稀疏自编码器（Sparse Auto-encoder,SAE）对筛选后的特征集进行深层次特征挖掘,采用这些深层次特征创建双向门限循环单元（Bidirectional Gated Recurrent Unit,BiGRU）寿命预测模型,对滚动轴承的RUL进行预测研究。由验证结果可知,SAE-BiGRU寿命预测模型的平均相对误差和平均打分值分别为25.116%和0.3481,优于SSA-SVR寿命预测模型。（4）提出了基于ABTCN的滚动轴承RUL预测方法。在以上预测方法基础上,提出时间卷积网络（Temporal Convolutional Network,TCN）与注意力机制模块相结合的新算法,并将其应用到滚动轴承RUL预测领域。该方法在TCN卷积层和全连接层之间添加了一个注意力机制模块,增强了模型对轴承性能退化信息的捕捉能力,以此创建ABTCN（Attention-based Temporal Convolutional Network,ABTCN）寿命预测模型。与本文其它研究方法相比,ABTCN寿命预测模型的平均相对误差和平均打分值分别为16.914%和0.4084,优于SSA-SVR和SAE-BiGRU寿命预测模型。