滚动轴承作为机械设备的关键部件,其故障诊断技术是机械设备故障状态监测领域的热点问题。特征提取是基于振动信号进行故障诊断的一项重要任务。基于时频域分析的轴承故障方法进行特征提取时对故障区分程度不高,提取的特征有时不能很好地表征信号本身包含的特定故障信息,另外也过于倚重人的主观经验进行故障分类。就基于神经网络的故障诊断方法而言,越来越多的数据量使深度学习网络模型越加复杂,诊断时间长且结果鲁棒性不好,无法达到大数据时代轴承故障诊断的智能化要求。针对于此,本文研究了基于深度学习结合时频分析的滚动轴承故障诊断方法。针对时域分析方法提取的特征区分程度不高,特征信息不全面的特点,采用短时傅里叶变换对故障信号进行时频变换,得到更丰富的时域和频域信息;将得到的时频图像处理为灰度图,建立包含训练集和测试集的样本集。现有的深度学习网络模型在故障分类时,结构层次深、参数多、结构复杂且训练困难。因此,本文对经典的LeNet-5模型稍加改进,进行特征提取和分类。试验验证结果表明,基于短时傅里叶变换获得的滚动轴承特征时频图包含丰富的时频信息,而且改进LeNet-5模型虽然结构简单,但可以较好地实现故障诊断任务。相对于二维卷积网络,一维卷积网络计算速度更快,计算硬件成本更低。因此提出一种基于改进1D-LeNet-5模型的故障诊断方法。首先,针对样本集按照不同比例划分训练集和测试集,其次,设计改进1D-LeNet-5模型,通过不同的训练集训练得到不同故障诊断模型,最后,观察测试集在故障诊断模型中的诊断精度。试验验证表明在改进1D-LeNet-5模型进行故障诊断时速度快、鲁棒性强,准确率高。智能故障诊断进入了大数据时代,除了对深度学习网络模型进行优化而提高故障诊断的准确率,也可以针对数据量大的问题,通过数据降维实现故障的精准诊断。本文提出一种卷积降噪自编码器（Convolutional Denoising A u t o E n co d er,C D A E）和卷积神经网络（C o n v o l u ti o n al N eu ral N et w o rk,C N N）相结合的故障诊断方法,基于C D A E对样本集进行降维及特征提取,利用CNN进行故障诊断并分类。通过试验验证分析其可行性。