针对基于信号处理技术的故障诊断方法需要依赖人工特征提取和专家的知识,以及基于传统机器学习理论下的故障诊断方法学习深度不足、特征提取困难等问题,提出了基于深度特征学习的振动状态识别方法。该方法以深度神经网络(Deep Neural Networks,DNN)为基础,以一维数据结构为处理对象,能够深层次的、自适应的提取振动信号特征,学习信号的特征表示,实现特征提取和状态识别过程的统一。同时,该方法能端到端进行故障诊断,是一种智能的故障诊断方法。首先,提出了基于一维卷积神经网络(Convolutional Neural Networks,CNNs)的转子故障诊断方法。该方法振动信号的一维向量输入到一维CNN进行分析,利用CNN强大的特征学习和提取能力,从原始振动信号中深度学习不同故障状态的特征,并最终实现信号状态的识别。其次,针对实际故障中振动信号成分复杂、非线性、非平稳性强等影响深度学习效果的问题,将HVD方法和多特征信息融合技术引入到振动信号的深度学习过程中,提出了基于VCNN多特征融合学习的转子故障诊断方法。该方法首先对多个传感器采集的振动信号进行HVD分解得到各阶模态分量,然后将其融合为多特征信息矩阵,再以多向量的形式输入到VCNN模型进行特征学习与分类。由于多特征信息矩阵能更好的表示设备的状态特征,因此有利于提高深度学习模型对故障的识别精度。然后,针对VCNN在处理一维振动信号时提取整体特征困难的问题,从深度学习过程进行优化,设计了一种FVDNN算法。该算法针对CNN学习振动信号时因为局部感受野的特性所受的限制,引入了全连接神经网络的来模拟传统信号处理技术处理信号的过程,使深度学习模拟能自适应的、全面的提取信号的特征。最终,通过建立转子故障数据集对以上诊断方法中神经网络结构进行实验研究,得到最适用于故障分类的网络参数,构建了诊断模型。并通过与其他机器学习诊断方法进行实验对比研究,证明了基于深度学习的振动故障诊断方法在诊断精度上具有一定的优越性。