滚动轴承是旋转机械的重要部件,由于机械部件集成度高,轴承故障监测系统的采样点和采样周期不断增加,处理大量数据的能力已经成为现代故障诊断方法的必要要求。传统的机器学习故障诊断模型为浅层网络结构,若模型输入特征表示不足,可能会导致误诊断。滚动轴承在高维数据下存在特征选取困难导致分类结果不准确问题,深度学习虽然能够自动从原始数据中学习基本特征,但标准的深度学习的方法只考虑了单一的深层次特征,忽略了浅层特征而引起特征丢失的问题。本文主要基于深度学习的方法,针对轴承振动信号高维数据特征、多层次特征提取和故障诊断识别进行研究,研究工作及成果总结如下:（1）针对高维数据下特征提取困难导致分类结果不准确的问题,提出了一种改进的正则化极限学习机应用于降噪自动编码器的故障分类方法。利用堆叠的降噪自动编码器对高维数据进行特征学习,提取更具鲁棒性的特征,将该特征作为正则化极限学习机的输入,得到分类结果。针对正则化极限学习机中正则化参数选取困难问题,采用量子粒子群优化算法进行参数优化。通过采用凯斯西储大学轴承数据集进行验证,实验结果表明,正则化极限学习机的分类结果比极限学习机高1%左右,且稳定性更好,并且采用量子群优化算法的测试结果比粒子群优化算法高1%～2%。因此,该模型在高维数据集下能够获得较为准确的分类效果。（2）针对标准的深度学习的方法通常只考虑输入数据经过卷积后的深层特征,忽略了浅层特征,存在部分特征丢失的问题,建立了一种多层次特征结合的卷积神经网络的故障识别模型。使用含有两个卷积层的卷积神经网络,并将两层卷积后提取的特征输入到长短时记忆网络中用于进一步的提取时间序列特征,接着将一层卷积与两层卷积的特征片段连接,实现多层次特征提取。通过采用凯斯西储大学轴承数据以及渥太华大学轴承数据分别进行验证,实验结果显示该模型的平均准确率比标准的深度学习方法高1%～7%,并且标准差更小,稳定性更好。