故障预测与健康管理技术是轴承健康保障中不可或缺的一部分,其通过监测与预测轴承的运行状态有效地保障了轴承的工作效率,降低了运行成本,提高了运行经济性。随着科技的智能化发展与信息采集设备的增多,轴承在长期运行过程中产生了大量退化过程数据。这些不断增长的数据信息反映了轴承运行状态的变化,对分析轴承的健康状态起到至关重要的作用。由于工业轴承运行环境恶劣,因此传感器获取的数据呈现以下复杂场景:1)传感器及采集终端故障导致的数据样本异常;2)轴承长期连续工作导致数据样本呈现分阶段的非线性特征;3)轴承系统获取的多轴向数据样本特征融合。基于现有的研究基础,本文将针对复杂数据场景下工业滚动轴承剩余寿命预测方法进行研究,主要分为以下几个部分:（1）介绍了本文研究背景和意义,对轴承剩余寿命预测与健康管理领域的主要内容和国内外研究现状进行了阐述,并基于现有研究基础上分析了相关研究领域存在的问题和缺陷,并针对这些存在的缺陷和问题给出了本文的研究方案和研究思路。（2）针对轴承数据中存在异常值的情况,提出了一种改进的最小二乘支持向量机算法及轴承退化过程预测方法。通过将最小二乘支持向量机与局部异常因子检测算法结合起来,实现了对样本的加权赋值,提高了模型的泛化能力,增强了对轴承退化过程的预测精度。（3）针对轴承退化过程中数据呈现分阶段的非线性特点,提出了一种局部-全局协同学习的最小二乘支持向量机模型及轴承剩余使用寿命预测新方法。该方法依据轴承全寿命周期数据的特点,提出了一种局部-全局协同学习策略,并将这种策略与最小二乘支持向量机结合起来建立模型,实现了对轴承剩余使用寿命的准确预测。（4）针对轴承数据样本多轴向特征融合的问题,提出了一种基于融合特征和迁移学习的滚动轴承剩余寿命预测方法。通过提取多个方向数据信息的融合特征,然后采用迁移学习对融合特征进行域自适应,最终所得的特征比单一方向特征具备更加丰富的数据信息,能够有效提高对轴承的剩余寿命预测精度。