随着工业化进程的不断推进,工业系统中机械设备的复杂度也越来越高,同时对于设备运行的安全性要求也随之提高。滚动轴承作为工业系统中大部分机械设备的基础组件,其设计的稳定可靠对于保证工业系统的正常运转至关重要。一旦滚动轴承发生故障,整个旋转设备的性能会直接受到影响,严重者甚至会造成人员伤亡。因此,滚动轴承故障的及时、准确识别是确保工业设备安全运行的前提。针对滚动轴承实际振动数据具备的非线性和非平稳性,同时容易受外界噪声等干扰的现象。本文将信号处理的方法应用于振动信号的分析,利用相关的熵概念来评估信号所包含故障信息的有效程度,并提出一种基于讨论机制的粒子群头脑风暴优化算法（PSDMBSO）用于完成变分模态分解（VMD）参数的优化,以提高信号分解的效果。此外,考虑到实测信号过拟合和特征提取不足等问题,提出了基于马尔可夫变迁场（MTF）和时频图的信号-图像处理方法,在此基础上利用卷积神经网络（CNN）和支持向量机（SVM）组成的分类模型完成滚动轴承故障状态的识别。基于以上研究,本文提出两种用于滚动轴承故障类型的诊断模型。主要工作概括如下:（1）针对轴承振动数据的非线性调制特性,建立了基于PSDMBSO-VMD结合MTF的故障诊断模型,通过PSDMBSO-VMD对振动数据进行分解处理,根据频带熵构建频带滤波器筛选包含故障信息的本征模态分量（IMF）从而完成信号的重构,然后根据马尔可夫变迁场的概念进行信号-图像的转化,并利用CNN-SVM分类模型进行故障状态识别。（2）针对广义S变换存在尺度因子固定导致特征提取不全面的问题,提出了基于自适应广义S变换和融合卷积神经网络的故障诊断模型。通过对原始信号的分解和重构,并对重构信号进行自适应广义S变换处理得到对应的时频图,将时频图和重构信号作为融合卷积神经网络的输入,采用PSDMBSO优化的SVM作为后端分类器完成故障状态的识别。最后,利用西储大学的滚动轴承诊断数据对提出的两种诊断模型进行仿真实验和测试。此外,通过与其他多个对照方法进行了对比试验分析,证明了所提出诊断模型的有效性。