滚动轴承和齿轮是机械设备中关键部件和重要的旋转零件,被人们称为机械的关节,运行状态正常与否直接影响着人员设备安全和经济效益,因此找到一种有效的故障诊断方法显得尤为重要。本文主要利用深度学习稀疏自动编码器分别与小波变换结合的方法对齿轮箱的故障诊断,与随机共振结合的方法对轴承的故障诊断,提出了两种新的智能诊断方法。同时改进了随机共振模型,使得提取后的故障特征更为明显,并通过齿轮箱和滚动轴承故障诊断实例验证新提出的算法的有效性。首先,研究了深度学习稀疏自动编码器算法,重点研究了稀疏自动编码器结构,分别对梯度下降算法、噪声系数Dropout进行了研究与分析,还对激活函数sigmoid进行了研究,为下面出现的实验现象提供了理论指导,有助于从算法方面理解深度学习稀疏自动编码器。其次,针对齿轮传统故障诊断方法存在人工提取特征准确率低的问题,提出了一种深度学习自动提取特征与人工提取特征相结合的故障诊断方法。首先,利用小波变换Mallat算法对齿轮箱的振动时域信号进行分解,提取每级信号的时域统计特征,并把时域统计特征输入训练好的稀疏自动编码器进一步提取特征,然后把模型最后一层隐藏层的数据作为K近邻算法的输入进行诊断识别。最后通过多级齿轮传动系统试验台的诊断实例证明该方法能有效的提高齿轮箱故障诊断准确率。然后,提出了一种改进型非线性耦合双稳态随机共振的轴承微弱故障信号增强检测方法。首先研究了随机共振理论,然后通过观察其特性曲线得到了模型处理特性,利用得到的模型特性,对轴承故障信号的时域图和功率谱图与经过耦合双稳态系统处理后的时域图和功率谱图并作比较,证明此模型能够有效对轴承微弱的故障信号进行特征提取。最后,提出了一种基于改进型非线性耦合双稳态随机共振模型和稀疏自动编码器结合的滚动轴承故障诊断方法。首先利用改进型非线性耦合双稳态随机共振方法对轴承微弱故障信号进行特征初步提取,然后再把初步提取的故障特征频谱数据输入深度学习稀疏自动编码器中进行分类识别。最后通过西储大学轴承实验数据诊断实例证明该方法能有效的提高轴承故障诊断准确率。