轴承是旋转机械中不可缺少的关键部件。由于恶劣的工作条件,滚动轴承会出现保持架故障、内圈故障、外圈故障等各种故障,造成生产过程的重大损失。因此,有效检测和定位轴承故障,能确保设备运行安全,降低旋转机械的维护成本,对旋转机械安全可靠地运行至关重要。传统上,通过信号处理的故障诊断方法,依赖先验知识且难以对设备故障状态实时检测,已经不能满足当前工业发展的要求。为此,本文基于数据驱动的故障诊断方法,围绕深度学习方法中的卷积神经网络（Convolutional Neural Network,CNN）以及长短期记忆网络（Long Short-Term Memory,LSTM）开展相关研究。本文的主要研究内容包括以下几点:（1）本文提出了一种结合深度残差收缩网络（Deep Residual Shrinkage Network,DRSN）和LSTM的故障诊断模型（DRSN-LSTM）。与传统的CNN-LSTM结构相比,DRSN-LSTM在以下方面有所改进:引入的残差收缩块有利于在高噪声工况下提取振动信号的空间特征,同时降低LSTM层的计算复杂度。首先,经过预处理后的样本将被输入到DRSN模型,提取空间特征并消除不重要的特征。随后,被DRSN处理的数据将馈送到LSTM层,进一步探索时间序列信息。最后,使用采用Softmax分类器来实现故障诊断任务。在两个广泛使用的故障诊断公开数据集上的实验结果表明,DRSN-LSTM方法与其他相关方法相比,可以很好地提取数据的空间特征和时间特征,进而获得更好的诊断性能。（2）本文提出了一种结合DRSN和双向长短期记忆网络（Bidirectional Long Short-Term Memory,Bi-LSTM）的诊断模型（DRSN-BiLSTM）。与传统的CNN-LSTM结构相比,DRSN-BiLSTM在两个方面有所改进:1)基于CNN引入的残差收缩块有利于高噪声振动的空间特征提取。2)作为LSTM的双向变体,Bi-LSTM是LSTM的更深层次的扩展,它从两个方向（向前和向后）自动提取隐藏在主输入中长期依赖关系的高级特征。本次实验采用两个广泛使用的故障振动公开数据集进行实验,实验结果表明,尽管在训练成本上,DRSN-BiLSTM的表现却不如DRSN-LSTM,但其可以达到更好的性能。