轴承是极为常见的工业部件,广泛应用于汽车、建设机械、航空航天等领域,轴承的实际性能对机械设备的工作状况有着重要影响,如果轴承发生失效,可能会导致设备无法完成规定的生产任务,这会损害企业的经济利益,有些情况还会造成严重的生产事故,因此,研究轴承故障诊断技术对于提高机械设备可靠性具有重要的意义。传统的故障诊断方法使用轴承的振动信号作为分析对象,提取信号的时域或者频域信息,通过建立这些信息与故障的联系实现状态识别,对于经验的要求较高,智能性较低。本文以滚动轴承为研究对象,运用卷积神经网络总结和学习振动信号的规律,实现滚动轴承的智能故障诊断。本文首先研究了滚动轴承的机械结构和特点,从常见的故障模式和失效机理出发,论述了振动特性与故障模式之间的内在联系,阐述了各机械结构固有频率和故障特征频率的求解过程。针对传统信号时域分析方法和频域分析方法提取信息较为单一的问题,提出一种基于小波变换和二维卷积神经网络的故障诊断模型,通过小波变换提取信号的时频域信息,能够将一维的时序振动信号转变为二维的图像数据,满足二维卷积神经网络对数据格式的要求。通过实验验证,该模型用于诊断滚动轴承故障时,平均准确率能够达到99.00%。接着,针对信号时频域分析方法数据预处理工作较为繁琐的问题,提出了基于振动信号和一维卷积神经网络的故障诊断模型,使用一维振动信号训练模型,利用卷积神经网络强大的特征提取能力,实现了端到端的智能故障诊断,对于滚动轴承故障诊断,平均准确率达到99.29%。通过进一步实验验证,基于小波变换和二维卷积神经网络的故障诊断模型,使用小波变换分析信号,克服了短时傅里叶变换对信号频率成分不敏感的问题,有着较高的故障诊断准确率。基于振动信号和一维卷积神经网络的故障诊断模型减少了数据预处理的工作,降低了过拟合的风险,通过采用全局平均池化理论,优化模型了结构,提高了泛化性能和诊断效率。这两种方法都有着一定的应用价值。