滚动轴承作为旋转机械的关键零部件,发挥着十分重要的作用。由于旋转机械的长时间高负荷运转,滚动轴承难免会出现故障,轻则会影响到设备的性能,重则导致安全事故,因此研究滚动轴承的故障诊断技术具有十分重要的现实意义。由于传统的智能诊断方法需要较高的专家知识和复杂特征提取过程,使得其在故障诊断领域的发展受到了局限,而深度学习由于其端对端的识别能力为故障诊断领域开辟了新思路。利用深度学习对二维数据具有强大的特征提取能力,将原始的振动信号经过一定处理变为二维数据可以实现更好的诊断效果,但将二维数据作为输入的深度学习相关研究还不深入,相对于一维数据,基于二维数据的深度学习诊断方法的研究还相对较少。因此,本文主要研究了以二维数据作为输入的深度学习诊断方法。以滚动轴承为研究对象,提出了三种不同的基于二维数据训练的深度学习方法,分别解决了滚动轴承在训练数据集样本量较少、数据不平衡、以及转速不一致时的这三个目前比较热门及难点的故障诊断问题。本文的主要工作如下:(1)针对小样本下的滚动轴承故障诊断问题,将迁移学习引入到了深度网络模型的训练中,提出了基于二维时频图与迁移学习的故障诊断方法,所提方法利用较少的数据集进行训练就可得到较高的诊断精度,极大地减少了训练深度网络模型时对样本量的需求。(2)数据不平衡是故障诊断中需要面临的一个重要问题,针对这一问题,设计了基于Wasserstein距离的条件生成对抗网络模型,利用该模型可以对指定标签的二维时频图进行生成,进而对不平衡的数据集进行扩充,改善了不平衡数据对诊断结果的影响。(3)对于不同转速情形下的故障诊断问题,将两个传感器的数据融合为二维矩阵数据集,并设计胶囊网络进行训练,提出了一整套的诊断框架,该框架可以实现不同转速情形下的端对端的故障诊断,在一定程度上消除了转速对诊断结果的影响。