转动机械工作时会产生振动和噪声,其发出的噪声与具体的运行状态有着密切关系。由于机械转动所产生的噪声特征在其发生故障时,甚至发生故障之前,与其正常运转状态下有明显的差异,因此,对转动机械进行故障噪声识别研究具有非常重大的意义。本文以研究噪声背景下转机故障音频信号的频域特征提取方式为基础,将神经网络引入转机异常音频检测系统中,提出一种噪声背景下基于深度学习的转机故障音频识别算法,主要用于对常见的转动轴承运行状态进行分类,主要工作如下:（1）对音频信号采集及音频降噪方法开展研究。将麦克风采集到的模拟信号转换为数字信号,对比分析同态滤波法、LMS和维纳滤波等音频降噪方法,选用LMS算法对音频信号进行降噪处理,得到一段有效的转机故障音频数据。（2）对音频数据特征提取方式进行研究。首先,在音频特征的预处理中,对降噪处理后的有效音频段进行分帧与加窗,使其具有稳定的长短时特性。接着,对比分析音频数据时域特征和频域特征的优点与不足后,对分帧加窗后的音频信号帧,计算其梅尔频率倒谱系数。最后,采用梅尔倒谱系数法实现音频信息特征提取,该算法具有运算复杂度较低,音频特征明显等优势。（3）对异常音频数据分类方法进行研究。设计环境辅助转机故障音频分类网络,将传统的音频分类任务细分为声场景分类和声事件分类,使用声场景分类网络提取出的背景噪声特征辅助转机故障类型的分类。设计编写相应的计算机图形化软件,将前文所述功能进行整合。通过实验分析,本文所提算法对轴承运行环境的识别准确率为93.77%。在轴承运行声背景未知的条件下,对噪声背景下转动轴承的7种运行状态（6种机械结构破损与正常运行）进行识别,测点距离实验台150cm处和200cm处轴承运行状态识别micro＿F1分数分别为74.62%和73.82%,可以初步达到转动轴承故障分类识别的目的。最后,本文对整个系统进行集成,设计计算机图形化界面,完成音频采集硬件、音频预处理算法、音频分类算法的软件集成,实现转动轴承实时故障诊断功能。