电机是当前应用最广泛的供电设备和驱动装置,很多大型厂区都要用到电机。由于长时间高强度的运转,电机不可避免的要发生一些故障。工业生产过程中,电机出现故障的频率相对较高,作为一种由轴承、定子、转子等组成的综合电气设备,造成其故障的原因及类型多样,其中,轴承故障最为常见,因此,对于电机轴承的故障诊断具有良好的理论和实际意义。传统的轴承故障诊断依靠技术人员的技术和经验积累,但存在很多无法处理和及时判断的情况将会消耗较长时间和人力,随着人工智能的发展,目前基于深度学习的故障诊断技术依靠强大的特征提取能力和海量数据处理能力取得了较好的效果。本文以鞍钢工业现场电机作为研究背景,选择西储大学轴承数据集以及鞍钢轴承数据集作为实验数据。首先,对轴承振动信号使用小波变换进行数据分析和处理,利用传统机器学习方法支持向量机进行轴承故障诊断,其次,针对传统方法存在的弊端,选择基于卷积神经网络（CNN）的轴承故障诊断方法,为解决神经网络完全随机化的初始值会导致收敛缓慢、学习性能较差的问题,引入蚁群算法进行模型参数优化,通过对比分析验证基于蚁群算法优化的卷积神经网络具有更好的收敛和学习性能。最后,将卷积神经网络应用于轴承故障诊断,实验结果表明引入蚁群算法提升了卷积神经网络的收敛速度和诊断精度。针对有监督学习的卷积神经网络无法解决实际生产中存在故障数据不足及样本标记等问题,提出基于生成式对抗网络（GAN）的电机轴承故障诊断方法,为解决训练稳定性和生成识别效果不理想的问题,将蚁群算法优化的卷积神经网络作为判别器模型;为解决训练过程中生成样本的数据分布具有随机性和不确定性的问题,在生成器中引入条件模型,并以故障种类作为条件变量进行连接;为解决样本标记问题,本文引入半监督学习方式,优化生成器和判别器损失函数,通过测试验证了 CSGAN具有更好的生成效果和分类精度。最后将生成式对抗网络应用于轴承故障诊断,实验结果表明改进后的模型解决了样本不足和样本标记问题,提高了生成样本质量和诊断精度。