由于旋转机械设备长期在工况复杂、高转速、重负载等恶劣条件下工作,其零部件的健康状态直接影响着设备的安全和正常运转。此外,不同类型的故障将会引起系统振动、转速、转矩、温度以及电流等信号的状态产生变化,仅靠单一信号难以准确识别各类故障,需要综合分析多传感器信号来更全面地反映设备的故障健康状况。本文将围绕信息融合中特征级以及决策级融合技术,结合机器学习和深度学习模型开展故障诊断方法研究,并利用实验来检验方法的有效性。主要内容如下:（1）针对单一信号难以全面反映设备故障特性的问题,提出了一种基于多特征融合的故障诊断方法。综合考虑振动信号时域和频域的特征信息,通过最小冗余最大相关算法筛选并融合多源信号特征;同时为了解决传统支持向量机最优参数的选择问题,提出自适应混沌简化粒子群算法来优化支持向量机模型;最后,利用优化模型完成对融合特征的识别,实现基于多源信息的故障诊断研究。通过实验证明了该方法的有效性。（2）考虑到人工提取特征繁琐和传统机器学习算法的缺陷,提出一种基于多尺度信息融合的智能诊断算法。首先,使用空洞卷积与栈式降噪自编码器提出了并行的深度学习模型来提取原始时域信号的多尺度深层特征。其次,为了获取高质量的低维特征,构建了基于信息熵的特征融合策略。最后利用XGBoost算法作为分类器实现故障的分类辨识。通过齿轮箱和滚动轴承实验证明了该模型显著的诊断精度和可靠性。（3）由于前两章特征级融合模型是基于所提特征进行处理,在压缩数据的同时也导致丢失一部分有用信息。为此引入了DS证据理论实现决策层融合诊断,并针对证据间存在冲突而导致算法失效这一问题,提出了一种基于海灵格距离和加权置信熵改进的DS证据理论算法,极大程度上消除了证据之间的冲突问题,实现多个证据体之间的有效融合。此外,构建了双向长短时记忆的卷积神经网络模型,充分提取原始信号的空间与时序信息特征,提高了模型在复杂工作和测试环境的泛化能力。实验分析表明,该算法具有优良的诊断精度、可靠性和泛化性。