滚动轴承作为风电机组、航空、船舶等重大装备传动系统的核心零部件,其长时服役的状态极易影响系统的安全可靠性。研究准确的轴承寿命预测技术对系统维护具有重要工程应用价值。从退化状态识别和剩余使用寿命预测（Remaining useful life,RUL）两方面,深入研究基于频域相关分析和改进粒子滤波的滚动轴承寿命预测方法。基于滚动轴承故障特征频率的振幅和倍频存在短期相似和长期差异的机理特性,提出了一种基于频域相关分析的退化状态识别新方法。所提方法对不同时间序列傅里叶变换后的幅值谱作相关分析,构建平均相关系数退化特征,识别出轴承早期退化时间并划分正常和损伤两个状态区间。进一步结合小波降噪和希尔伯特包络解调验证所选点。基于冲击故障响应机理,构造滚动轴承全寿命仿真信号并验证了所提方法的有效性。通过实验数据验证了所提方法相比现有统计特征具备更高的轴承初始故障时间识别精度。准确识别早期退化时间后,结合粒子滤波和无迹卡尔曼滤波在预测统计模型参数的共性,分别提出基于粒子滤波和平方根无迹卡尔曼滤波的滚动轴承剩余寿命预测方法。首先,针对传统均方根因数量级差异导致失效阈值难以统一选取的问题,以多组跨工况全寿命轴承归一化均方根的相邻绝对最大差值作为失效区间,从中选取失效阈值。其次,以指数为退化模型,将归一化均方根健康指标输入至以上两种滤波算法进行预测。最后,滚动轴承实验数据验证了所提两种方法均有效实现滚动轴承的RUL预测,且基于粒子滤波的滚动轴承剩余寿命预测方法具有更稳定的预测性能和预测范围可视化能力。针对波动观测值造成粒子滤波算法的粒子后验分布偏离真实退化趋势的问题,进一步提出一种考虑全局校正的改进粒子滤波滚动轴承剩余寿命预测方法。基于粒子预测值分别与全局经验模型值和实际观测值的差值构建粒子损失函数,结合梯度下降和权重系数校正粒子分布朝向全局趋势更新,实现更高精度的滚动轴承剩余寿命预测。仿真表明,所提算法相比粒子滤波算法具备更高的轴承剩余寿命预测精度和更稳定的预测性能。实验数据预测结果表明,向上波动观测值作为最后输入观测值时,所提算法相比粒子滤波算法均有更高的RUL预测精度;向下波动观测值作为最后输入观测值时,对于损伤后期急速劣化且与全局模型存在较大偏差的滚动轴承,所提算法RUL预测误差增大,但为进一步优化滚动轴承寿命预测方法提供构造分段模型这一新思路。