滚动轴承是工业场合重要零部件之一,它对于机械设备的正常运转非常重要却又非常容易发生故障,所以实现滚动轴承故障的识别对于保障工业生产的安全十分重要。为了解决上述问题,本论文提出了几种基于深度学习的滚动轴承故障诊断方法。本文首先基于小波包分解处理非平稳信号的能力和自编码器特征提取的能力,实现了基于小波包分解与自编码器的故障识别。本文先利用小波包分解和自编码器先后进行故障特征提取,然后在全连接层中进行故障识别。该方法被应用于西储大学的滚动轴承故障数据,准确率达到了92.3%。然而,上述方法需要进行人工特征提取。由于LSTM具有处理时间序列数据的能力,本文提出了一种基于LSTM的轴承故障诊断方法,这种方法取消了人工特征提取的过程,实现了端到端的轴承故障诊断。该方法被应用于前述故障数据,准确率达到了94.8%。为提升故障识别的准确率,本文利用CNN滑动窗口提取数据局部信息的能力,设计了基于CNN-LSTM的滚动轴承故障诊断方法。该方法将CNN中的卷积层与池化层作为LSTM输入层的替代。这种方法被应用于前述故障数据中,分类精度达到了97.7%,并且训练时间减少了一半。随后,本文对不同工况、不同噪声环境的故障数据利用CNNLSTM模型进行故障识别,识别结果证实了模型的泛化性能。最后,本文基于CNN-LSTM轴承故障诊断方法对NASA轴承全寿命周期数据建立了轴承故障识别与退化模型,通过实验验证得出,该模型可用于NASA轴承全寿命周期数据故障识别。并且在退化建模中发现,该模型相较于传统的时域预测模型可以提前至少6天实现对轴承故障的早期识别和预警。