滚动轴承是机械设备中重要的基础零部件,其质量的优劣直接影响着机械中运动零件的基本机械性能、运行精度、寿命以及安全性,因此在轴承投入使用前对其质量进行检测十分必要。振动信号分析方法常用于轴承质量检测,然而在轴承的制造过程中,绝大部分样本为高质量等级样本,只有极少数样本由于组件加工误差或装配误差导致制造精度降低,属于较低质量等级样本。不同质量等级的轴承样本数量分布失衡会导致传统的分类模型难以从少数类样本中学习强鲁棒性的泛化特征,使预测结果易倾向于多数类样本,从而影响了分类模型的稳健性和泛化性。基于此,提出了基于不平衡数据增强的轴承质量等级分类方法。针对轴承质量等级分类模型构建时低精度等级样本（少数类样本）缺失导致模型对不同精度等级轴承样本预测泛化性能力低的问题,分别采用随机过采样技术（ROS）、合成少数过采样技术（SMOTE）、边缘合成少数过采样技术（Borderline-SMOTE）、自适应合成采样（ADASYN）和综合采样技术（SMOTE Tomek）来增强少数类样本数据。建立基于鲸鱼优化算法（WOA）优化的支持向量机（SVM）模型。实验结果表明,SMOTE Tomek方法结合WOA-SVM建立的模型最优,与原始的不平衡数据建立的模型比较,其测试集的F值由0.595提高到0.933,准确率由0.714提高到0.933,SMOTE Tomek方法有效地提高了轴承质量等级分类模型的预测能力,增强了模型的稳健性。为了从分类算法层面解决数据不平衡的建模问题,分别采用Ada Boost、Bagging、随机森林（RF）以及SMOTE Tomek-Bagging的融合方法建立轴承质量等级分类模型。SMOTE Tomek-Bagging的融合方法是在采样层面通过SMOTE Tomek方法对少数类样本数据进行增强,结合Bagging算法的重复下采样,使得模型得到充分训练,从而提高模型识别能力。实验结果表明,仅仅从分类算法层面,模型结果存在过拟合现象,并不能有效地解决不平衡数据带来的问题;SMOTE Tomek-Bagging的融合模型能够很好的解决模型过拟合问题,并且模型的测试集F值和准确率都达到了0.983。针对不平衡数据建模时存在的过拟合的问题,提出了将一维振动信号转化为二维振动图像,基于二维振动图像的特征分布,采用深层卷积生成对抗网络（DCGAN）自适应地生成高质量虚拟样本,实现数据集中一等品和合格品样本的数据增强,结合卷积神经网络（CNN）实现样本深层次特征的提取和建模。实验结果表明,DCGAN-CNN模型与原始数据建立的CNN模型比较,测试集的F值从0.595提高到0.914,准确率从0.714提高到0.917。因此,DCGAN-CNN模型在保证分类准确率的前提下进一步提升了自身的泛化性能和稳健性,为不平衡数据的分析提供了一种新的建模策略。