信息化时代,旋转机械正朝着重载化、自动化、信息化、智能化的方向不断发展,是现代化装备的重要组成部分。滚动轴承常被用于支撑旋转体、减小摩擦以及保证回转精度等,是旋转机械传动装置最重要的部件之一。一旦轴承发生故障,轻则引起设备异常振动,影响产品质量,重则损坏设备,造成人员伤亡。因此,对轴承运行状态实时监测以及故障诊断具有重要意义。轴承振动信号具有工况复杂、噪声干扰严重、故障信号微弱以及特征提取困难等特点,导致仅仅通过单一手段进行故障特征提取及故障诊断具有很大的挑战。本文以滚动轴承振动信号为研究对象,运用短时傅里叶变换和时域卷积神经网络等手段,设计两种故障诊断模型,以此实现滚动轴承的故障分类。本文的主要工作如下:（1）在固定工况滚动轴承故障诊断中,针对传统卷积神经网络仅提取轴承振动信号局部特征,而忽略了全局特征,导致分类准确率较低的问题,提出一种时域卷积神经网络模型。首先,介绍轴承故障诊断的机理,证明通过分析轴承振动信号进行故障诊断的可行性。其次,将时域卷积神经网络应用于滚动轴承故障诊断中,利用时域卷积神经网络巨大的感受野,挖掘故障样本的全局特征。最后采用美国凯斯西储大学轴承数据中心数据进行实验验证,并与其他模型进行对比,实验结果表明,时域卷积神经网络巨大的感受野可以有效挖掘故障样本的全局特征,并且工况越单一,准确率越高。（2）在变工况滚动轴承故障诊断中,不同工况下数据分布存在一定差异,传统方法提取了大量冗余特征,导致跨数据集故障分类准确率低下。针对以上问题,提出一种改进的时域卷积池化神经网络。首先,分析变工况滚动轴承故障诊断的难点,并给出解决方案。其次,提出一种改进的时域卷积池化神经网络模型。通过优化膨胀卷积和残差块的网络结构,解决特征信息冗余问题,最后通过跨数据集故障诊断实验验证该方法,实验结果表明,稀疏的特征提取方法可以有效解决跨工况问题,并且训练集包含的工况越复杂,跨工况测试的准确率越高。（3）针对表征样本的数据点个数过高导致故障信息过于冗余,并且增加训练成本问题,通过对比分析,提出一种以固定分辨率进行降采样的样本简化方法,通过实验验证所提出方法的有效性。实验结果表明,当取样分辨率为3时,模型分类准确率比FD-CNN模型提升1%-4%,训练耗时较CNN模型降低40%。