滚动轴承作为机械设备中的重要组成部分,也是机械设备中最容易发生故障的零部件之一。对滚动轴承的剩余使用寿命进行准确预测能够提高设备的可靠性,避免事故的发生,对机械设备的安全运行具有重大意义。本文以滚动轴承的振动信号为研究对象,从数据驱动的理论研究出发,通过时频域分析、集成学习、深度学习等,实现对滚动轴承的剩余寿命预测。主要研究工作如下:首先,针对原始特征中存在的噪声干扰和退化趋势不明显等问题,提出基于手动特征提取的滚动轴承剩余寿命预测方法。从时域、频域、时频域分别对振动信号进行特征提取。综合以上特征,采用XGBoost算法,实现了滚动轴承的剩余寿命预测,并在PHM2012数据集上与其他几种经典回归算法的结果进行了比较,结果表明XGBoost能够更好的结合以上特征,在预测精度和得分上都要优于其他方法。其次,为解决上述研究中预测模型的预测平均误差率较大的问题,提出了基于自动特征提取的滚动轴承剩余寿命预测。该方法首先利用希尔伯特包络谱对发生故障时的冲击信号更敏感的特点,对原始振动信号进行处理。进一步采用卷积神经网络进行自动特征提取和特征降维。最后通过对序列信息前后关系更敏感的双向门控循环单元,和能够对序列信息的重要性信息进行挖掘的注意力机制进行结合,完成滚动轴承剩余寿命预测。最后通过实验证明,本方法在最终预测结果上,比第一种方法预测平均误差率降低了36%,在整体误差率上取得了更好的结果。最后,由于以上两种方法在不同轴承上的预测准确性互有优劣,为了得到更好的预测模型,提出了基于Stacking集成的滚动轴承剩余寿命预测。该方法引入支持向量回归作为次级学习器,将前两种方法作为基学习器进行集成。集成结果与以上两种方法进行了对比,在平均误差率上分别提高了47.5%、11.5%,得分方面分别提高了0.17、0.04,得到了更精确的预测模型。