随着科学技术的发展,电气设备向着系统化、自动化和智能化的方向发展。滚动轴承广泛应用于电机等旋转电气设备中,可靠的故障监测系统是电气设备正常运行的保障。伴随设备的发展,故障监测设备的采样频率与采样时间逐渐增加。在实际的滚动轴承监测过程中,常伴随着数据量大、不同噪声及负载变化等情况。而传统的信号处理以及机器学习的故障诊断方法,难以快速有效的解决上述问题。本文在前人研究的的基础上,针对不同具体问题,提出各类数据处理的优化算法并与循环神经网络相融合实现了轴承的故障诊断。具体研究内容如下:（1）针对现代滚动轴承早期故障监测数据量增大所带来的诊断困难问题,本文提出了基于变分模态分解（Variational Modal Decomposition,VMD）与TEO窗特征提取的深层双向长短记忆神经网络（Deep Bidirectional Long Short Term Memory,DBiLSTM）轴承故障诊断方法。模型通过改进果蝇算法优化的VMD-TEO窗函数提取轴承振动信号的瞬时能量特征,构造具有时间特性的特征矩阵;然后,将特征矩阵作为DBiLSTM模型的输入,建立故障诊断模型。试验采用凯西西楚大学（Case Western Reserve University,CWRU）轴承故障数据集,结果表明该方法能有效的处理数据较大的滚动轴承故障诊断问题。（2）针对不同工况条件下以及易受噪声干扰的滚动轴承故障诊断问题,提出了基于卷积神经网络（Convolutional Neural Networks,CNN）与长短记忆神经网络（Long Short-Term Memory,LSTM）的双输入模型。该模型同时利用时域与频域特征,实现了端到端的故障诊断。首先,通过堆叠的卷积运算与池化运算实现对数据的特征提取与降维;其次,根据数据的时序特性建立LSTM分类预测模型;最后,将时频域特征拼接后通过全连接层分类。最后通过CWRU数据集和DDS数据集,建立变负载以及噪声数据集,证明了模型在应对复杂噪声干扰和变工况条件下轴承故障诊断问题时,有较高的故障识别准确率。（3）针对滚动轴承故障诊断中出现的数据不平衡问题,分别提出了基于CDTW的数据缩减方法和基于条件生成对抗神经网络（Conditional Wasserstein Generation Adversarial Neural Network,CWGAN）的数据增强方法。数据缩减方法以CDTW所计算的样本相邻周期的Dist距离值作为衡量样本相似性程度的标准。数据增强方法采用Wasserstein距离改进的CGAN生成样本数据。故障识别采用CNN和门控循环神经网络（Gated Recurrent Unit,GRU）相结合的方法。试验数据采用CWRU数据所构建的不平衡数据集,证明了本文所提出的数据平衡化方法能有效提高故障诊断模型的准确率。