随着科技的进步,机械设备正向着自动化、复杂化、智能化的目标发展,设备的正常运转是工业生产的重要保障。作为机械设备的关键核心部件,液压泵和滚动轴承在工程领域中广泛应用,其运行状态与设备的性能息息相关,会影响工业生产的正常进行,因而,对液压泵和滚动轴承的运行状态进行有效识别和评估具有重要意义。论文以振动信号为基础,依托于深度学习方法,从故障诊断、可靠性评估两个角度分析,提出基于Inception的多尺度卷积神经网络的故障诊断方法、基于MCNN和GRU的运行可靠性评估方法。首先,考虑到液压泵和滚动轴承振动信号具有非线性、非平稳性等特点,提出信号-图像转换方法对振动信号进行处理,并将转换得到的图像作为模型的输入,以充分发挥卷积神经网络在图像特征提取上的优良性能,将故障诊断问题进一步转换为卷积神经网络更擅长的图像识别问题。通过与其他信号-图像转换方法进行对比,验证所提方法的有效性。其次,为全面提取液压泵和滚动轴承振动信号中的故障特征,针对神经网络结构宽度和深度的设定问题,综合考虑对模型性能的影响,提出基于Inception的多尺度卷积层。通过在多尺度卷积层采用不同的感受野进行图像特征提取,全面提取图像多尺度特征细节,并将多尺度特征堆叠用于分类层识别故障。通过与支持向量机、深度神经网络等方法对比分析,验证所提方法的有效性。然后,针对故障诊断方法无法有效评估机械设备在故障前的退化趋势、传统可靠性评估方法依赖专家知识和工程经验的问题,通过分析机械设备的退化失效规律,提出基于MCNN和GRU的运行可靠性评估方法。综合MCNN的特征自适应提取能力和GRU的时序规律挖掘能力,建立端到端的可靠性评估模型,实现对机械设备可靠性的有效评估。最后,以在故障模拟实验台上采集的不同故障类型的液压泵和滚动轴承振动信号为研究对象,应用所提故障诊断方法进行分析,结果表明,MCNN具有良好的泛化性能,可以对实际工况下的设备进行故障诊断。并将所提运行可靠性评估方法应用于滚动轴承公开数据集,通过分析运行可靠度曲线及相关性和单调性等评价指标,验证其有效性。