现代工业设备中滚动轴承是必不可少的部件之一,其应用的广泛性决定了对其进行退化评估和剩余寿命预测的必要性。本文为了给企业合理制定设备维护计划提供理论依据,以滚动轴承为研究对象,针对滚动轴承剩余寿命预测过程中核心的特征提取,退化评估和剩余寿命模型建模等问题展开研究。首先,对滚动轴承振动信号进行改进小波阈值降噪,通过傅里叶变换和经验模态分解提取滚动轴承时域,频域及时频域特征信息,通过互补集合经验模态分解结合相关系数提取多频率尺度样本熵特征,采用基于费舍尔得分的特征筛选方法,去除评分低的不敏感特征,构建对滚动轴承性能衰退敏感的多域特征集。其次,采用基底函数为威布尔分布的比例故障模型建立退化评估模型。采用核主元分析对提取到的滚动轴承多域特征进行分析,将提取到的核主元作为模型的协变量进行模型参数估计,最后根据模型计算轴承的可靠度,并将经过参数优化后的长短时记忆神经网络应用于可靠度预测。然后,针对人工特征提取计算量大,受人为主观影响大的缺点,建立基于深度特征提取的长短时记忆神经网络预测模型实现滚动轴承剩余寿命预测;针对非全寿命周期数据提出了参数实时更新的长短时记忆神经网络模型。最后,在经过滚动剩余寿命预测开始预测点选择,剩余寿命预测模型参数优化后进行了仿真。验证了基于深度特征提取的滚动轴承剩余寿命预测效果比人工特征提取更好,并且证明了参数实时更新的长短时记忆神经网络模型对非全寿命周期数据具有良好的适用性。