滚动轴承是绝大多数机械设备中都包含的关键零部件,机械设备的健康状态与滚动轴承的健康状态息息相关,研究滚动轴承剩余寿命预测方法能够预防机械设备发生故障导致宕机或人员伤亡,对提高机械设备工作效率至关重要。因此以滚动轴承作为研究对象,以滚动轴承运行产生的全生命周期振动信号作为研究数据展开振动信号降噪、特征提取的数据预处理研究,在此基础上进一步研究滚动轴承寿命预测模型。主要研究内容如下:首先,针对提高信号特征信息完整性的问题,提出基于集合经验模态分解（EEMD）方法与小波半软阈值（WSST）方法的信号降噪方法。使用EEMD方法将滚动轴承振动信号分解为本征模态分量（IMF）,利用皮尔逊（Pearson）相关性分析筛选IMF,使用WSST方法去除Pearson相关系数高的IMF中的噪声成分,在筛选出的IMF完成降噪后即完成整体信号降噪。仿真对比试验结果表明,所提降噪方法能够保证降噪后振动信号特征信息完整性,降噪效果良好,信噪比平均提高了2.2959,均方根误差平均降低了0.3484。其次,针对信号特征信息与噪声成分混叠及特征对剩余寿命衰退趋势敏感性不高的问题,提出特征增强方法和多尺度融合排列熵（MFPE）特征提取方法。为增强信号中的特征信息,使用共振稀疏分解方法提取信号中的低共振分量;利用滑动窗口切片处理方法将低共振分量重构为短时序列矩阵,丰富信号中的特征信息;使用相空间重构方法增强短时序列矩阵中的特征信息;计算短时序列矩阵的多尺度排列熵值,使用局部线性嵌入算法对提取的熵值特征进行降维融合,得到多尺度融合排列熵特征。经仿真实验验证,MFPE特征在反映剩余寿命衰退趋势方面具有很好的分辨率。然后,针对一维卷积神经网络处理复杂输入序列时的局限性,提出多尺度注意力卷积神经网络滚动轴承剩余寿命预测模型。在一维卷积神经网络中添加包含有不同尺寸卷积核的多尺度特征提取模块,提高模型学习特征时捕捉细节特征的能力;在模型中添加注意力机制,提高多尺度特征融合后的表达能力。经实验验证结果表明,多尺度特征提取模块提高了模型的拟合能力,注意力机制增加了特征的表达能力,提高了模型的预测精度。多尺度注意力卷积神经网络模型预测值与真实值的平均偏差在6分钟以内,能够很好地预测滚动轴承剩余寿命,具有良好的泛化性及实用性。最后,使用XJTU-SY全生命周期实测数据集进行实验验证,实验结果表明,所提降噪算法、特征提取方法及剩余寿命寿命预测模型与设想一致,能够可靠有效地完成滚动轴承剩余寿命预测。