随着工业技术的快速发展,工业系统中机械设备开始朝着复杂化、强耦合性、大数据的方向转变。如何利用先进的手段准确的、低消耗代价的实现工业设备的故障诊断是急需研究的一个方向。滚动轴承作为机电系统中重要的组成部分,且该零件的消耗及故障率所占比重较大,因此对其进行故障诊断的需求也越来越高。传统的电机轴承故障诊断依赖处理人员的专业知识及经验,加上有时利用人眼并不能看到内部的运行情况,不仅耗时而且不能够及时的发现故障问题。随着人工智能、机器学习的快速发展,越来越多领域开始尝试用机器学习的方法解决问题。深度学习作为机器学习的一个分支,拥有更好的数据特征提取能力,基于深度学习的故障诊断相比于传统的方法有了更好的效果。而且面对海量的数据,深度神经网络处理起来毫不费力。因此,利用深度学习模型进行故障诊断更有优势。本文通过分析近几年研究比较火热的生成对抗网络（GAN）发现该深度学习模型拥有良好的特性,因此利用多种方法对其进行改进,使其应用到电机轴承故障诊断中。在了解电机轴承基本故障的基础上,本文首先研究了基础GAN的相关理论,以及在该结构中常用的深度学习模型卷积神经网络（CNN）和长短时记忆网络（LSTM）。卷积神经网络利用卷积层可以自动对输入数据进行特征提取,省去了人工特征提取的繁琐。使用池化层可以降低后续层中参数的数量及降低过拟合。虽然CNN已经有了相对良好的性能,但在面对数据量不足等实际问题时处理效果可能并不是最优的。考虑到GAN的判别器（D）也具有良好的分类效果,因此本文在基本GAN的基础上进行改进。并且吸取CNN的优点,在改进GAN时选择与改进的CNN的相结合。分别在结构、生成对抗网络的生成器（G）和判别器（D）的深度学习模型选择以及优化算法上进行改进,使其能够实现多分类的功能并且提高分类精度。之后考虑到遗传算法具有搜索全局最优解的能力,本文将网络需要更新的参数作为遗传操作中的个体进行参数优化,经过选择、交叉、变异等操作使得网络的性能达到最优,提高分类效果。经过仿真表明改进后的GAN相比其他的分类方法效果是最好的,在分类精度上有了一定的提高。