随着现代制造机器向复杂、数字化和智能化不断发展,旋转机械更加广泛地应用于工业生产。轴承作为机械装备使用最多且最易磨损的部件,其健康状况对机械装备的性能、稳定性和使用寿命有着重要的影响。以故障诊断、健康评估和剩余使用寿命预测为代表的装备维修保障数据处理与分析方法应运而生。通过对该领域的深入研究与分析,针对现阶段故障诊断和剩余寿命预测算法需要特定的先验知识和大量的人力介入来进行特征提取,以及卷积神经网络（Convolutional Neural Network,CNN）的Softmax层分类能力已不如新兴的机器学习分类方法等问题,本文主要对以下几个方面进行了研究:（1）装备维修保障数据分析与处理方法综述。通过对装备故障诊断和剩余寿命预测算法的研究,介绍了算法现阶段的发展状况,并对相关算法进行比较讨论,明确了其中待解决的问题。（2）装备故障诊断方案设计。针对CNN的Softmax层分类能力不如新兴的机器学习分类方法的问题,提出了基于连续小波变换和AlexNet-轻量梯度提升机融合模型（AlexNet-Light Gradient Boosted Machine,Alex Net-LGBM）的轴承故障诊断方法,方法可分为三个部分:（1）基于连续小波变换的振动信号数据处理:使用连续小波变换对轴承原始振动信号提取时频特征,并转化为32×32像素的二维图像。（2）对于故障特征提取,本文改进了AlexNet模型对时频波谱图进行故障特征提取,并与LeNet-5和EfficientNet-B0模型的特征提取能力进行了对比。（3）对于故障诊断,通过LGBM分类算法对提取到的故障特征进行了故障分类,使用贝叶斯优化选择最优模型参数。使用凯斯西储大学（Case Western Reserve University,CWRU）轴承数据集进行了对比实验,将改进的Alex Net、LeNet-5和多粒度级联森林、LGBM、CatBoost的各种组合方法进行对比,结果显示本文提出的基于连续小波变换的AlexNet-LGBM故障诊断方法具有最优的故障诊断准确率。（3）装备剩余使用寿命预测方案设计。提出了基于连续小波变换和AlexNet-高斯过程回归（AlexNet-Gaussian Process Regression,AlexNet-GPR）的轴承剩余寿命预测方法:首先对振动数据进行连续小波变换产生90×90像素的时频波谱图,并将AlexNet改进为适合寿命预测的回归模型,预测轴承健康指数。对健康指数估计值进行异常值剔除和平滑,进而通过高斯过程回归拟合健康指数预测曲线,对轴承剩余使用寿命进行预测。使用PRONOSTIA轴承退化数据集进行仿真,与其它研究结果的对比显示本文提出的方法预测的轴承剩余使用寿命获得最高评分。