现代工业水平的发展随着科技水平的提高得到长足发展,生产设备也由智能化代替最初依靠人工。在这个过程中,对于设备本身的要求也在不断提高,任意零部件的损坏都会对生产流程产生重要的影响,轻则会造成经济上的损失,某些重工业领域可能对生命安全造成威胁。对设备当前状态的亚健康识别,能在很大程度上避免因停机维修造成的各种损失,由于设备的故障并不是瞬间造成的,而是一个不断积累的过程,所以设备状态的亚健康识别研究受到专家学者的广泛关注。在阅读分析大量深度学习和轴承亚健康识别方法后,针对传统的轴承亚健康识别提取特征困难和诊断效果不理想的问题,本文提出一种RVM优化强重构MDAE的亚健康识别算法(IMDAE-IFMRVM)。该算法从改进边缘降噪自动编码器和改进相关向量机两方面展开深入研究。首先,针对边缘降噪自动编码器约束条件有限、数据压缩能力弱、重构误差大的问题,一方面在原本边缘降噪约束条件基础上加入稀疏性的约束条件,解决边缘降噪自动编码器约束条件有限、数据压缩能力弱的问题,另一方面将隐含层的输入改为前一隐含层的输出加上预处理的数据,解决边缘降噪自动编码器重构误差大、特征数据表达能力弱的不足。然后,本文针对特征样本数据中构造信息不同及分布不平坦时,使用单一核函数不能有效处理结构复杂的样本数据的问题,使用两种核函数权重相加的方式代替原来单一核函数单独作用,对于核函数权重系数的确定问题,在Fisher准则和最大熵准则共同作用下求解输入样本映射到特征空间中的方差,利用本文提出方法求得。最后,通过对比实验发现,改进后的算法能正确识别轴承数据的状态,验证了本文所提算法的有效性。