滚动轴承作为旋转机械的关键传动部件,其在确定设备的运行状态中起着重要的作用。然而,在复杂的工作条件下,滚动轴承很容易出现磨损、点蚀、粘合等故障。如果在机械操作工作中不能及时发现故障,将会造成严重损失。鉴于此,对滚动轴承状态进行在线监测、实现故障的早期检测具有重要研究意义。传统的基于机器学习的滚动轴承故障诊断方法,过度依靠专家经验人工提取特征,费时费力。深度学习可以利用深层结构自动学习高层次的本质特征,建立输入和输出之间复杂的非线性映射关系。深度自编码网络作为深度学习中较为常用的模型之一,无论输入是否经过预处理,深度自编码网络只是将其作为低层次的特征执行,再进一步根据输入自动提取更具鉴别性的特征。本文针对传统深度自编码网络特征提取能力不足,参数选择困难、泛化能力差等问题,优化深度自编码网络的参数和结构,提高自编码器的深层特征挖掘能力,并将其应用于滚动轴承故障诊断。论文主要研究内容如下:（1）针对现有的一些智能诊断算法训练时间较长,性能不稳定的问题,提出了一种基于总体平均经验模态分解（EEMD）和深度稀疏自编码网络（DSAE）的故障诊断方法。首先,对轴承信号进行EEMD分解,得到本征模态函数（IMF）分量。其次,以峭度值为指标选取有效的IMF分量作为特征域,提取时域及频域特征,构建新的数据集作为诊断网络的输入。最后,将构建的新数据集作为DSAE的输入,用于训练和测试。通过与传统的智能诊断算法——支持向量机（SVM）和反向传播神经网络（BPNN）以及DSAE对比,结果表明,所提方法在准确性与计算耗时方面具有更优越的性能。（2）针对深度自编码网络中关键参数难以选取及特征提取能力不足的问题,提出了一种基于布谷鸟搜索优化的深度自编码网络方法,用于滚动轴承故障诊断。首先,在自编码器的损失函数中同时加入稀疏惩罚项和收缩惩罚项以设计一种新的深度自编码网络——深度收缩稀疏自编码网络（DCSAE）,同时,为了更好地训练网络权重,在隐藏层加入批标准化;其次,利用布谷鸟搜索算法自适应地选取网络最优关键参数;最后,将所提方法应用于滚动轴承振动信号的故障诊断。两种数据集的故障实验结果表明,所提网络不仅能够有效地提取故障特征,且具有更高的分类准确率。（3）为了进一步增强深度自编码网络从原始振动数据中挖掘特征的能力,提出一种基于深度自编码网络的‘端到端’的智能故障诊断方法,直接以轴承原始时域信号作为输入,实现一体化的滚动轴承故障诊断。首先,以最大相关熵作为自编码器的损失函数,同时为了进一步地减少重构误差,对网络权重引入了非负约束。其次,在网络的隐藏层加入dropout防止过拟合,减少运算时间。然后,通过灰狼算法自适应地选取网络的关键参数。最后,将所提方法应用于实测数据。通过两个不同数据集实验验证了所提智能故障诊断方法对未经处理的原始数据样本具有更高的鲁棒性和泛化能力。