滚动轴承作为工业生产中具有代表性的基础套件,被称为机械的关节。在生产过程中,滚动轴承是否能正常工作将严重影响着生产设备的安全生产以及生产产品的质量。振动信息是能够表征轴承在工作过程中的性能的重要数据,如果能基于振动数据有效地预测滚动轴承的寿命,不仅能提前预防轴承在工作过程中的出现故障,而且对于开启智能制造,实现工业创新具有重要意义。当前在轴承寿命的预测方法研究中,仍然存在以下难点:1)从原始振动序列中提取能表征其寿命退化的深层特征2)基于提取的特征建立高精度的寿命预测模型。本文将基于这两个问题,探索一种深度学习融合网络的滚动轴承寿命预测模型。本文首先对卷积神经网络和长短期记忆网络的原理进行阐述,并分析其结构,特点和优势,同时研究了神经网络模型的训练过程,其中包括不同类型的激活函数,损失函数,优化器等的发展过程及优缺点。并阐述了本文选择相应参数的理由。为了得到能表征轴承寿命退化的深度特征,本文首先从原始序列中得出序列的均方根,极差等时域特征。同时应用快速傅里叶变换,从原始时域序列中提取频域特征。基于提取到的时频域特征,构建卷积神经网络CNN模型,得到能表征轴承寿命退化能力的更深层的数据表示。为了建立更精准的寿命预测模型,本文构建了长短期记忆网络LSTM模型,该模型不仅解决了其他机器学习模型无法融合轴承健康退化过程中的时间维度信息的问题,还避免了传统循环神经网络RNN梯度消失和梯度爆炸的问题。最后为了证明本文所提出方法的有效性,分别选择了三种方法进行结果对比和分析,表明了本文方法的有效性。