滚动轴承是旋转设备的重要部件,一旦出现故障,会降低产品质量甚至造成生产事故,因此对滚动轴承进行及时诊断具有重要意义。在当今大数据时代,由于反应轴承运行工况的海量数据的积累,传统基于“人工特征提取+人工特征选择+浅层分类器识别”的轴承故障诊断方法对专业知识和领域专家经验依赖性较强,逐渐难以满足现代自动化诊断的要求。深度学习作为现代人工智能领域崛起的新生力量,克服了传统轴承故障诊断方法的缺陷,能自动地从数据中学习具有代表性的特征,在很大程度上摆脱了对诊断专家的依赖,并逐渐应用于轴承故障诊断。因此,本文针对传统轴承故障诊断方法的局限,在机器学习技术和深度学习技术的基础上,着重研究了基于深度学习的轴承故障诊断。本文的研究工作基于深度学习滚动轴承故障诊断的半监督和有监督问题,主要内容如下:(1)分析了滚动轴承的故障机理,论述了基于信号处理和机器学习的滚动轴承故障诊断方法的研究现状,对现有的基于深层神经网络的轴承故障诊断方法进行了分析,并在此基础上给出了论文的结构安排和创新之处。(2)针对带标记数据样本少而未标记数据样本多的情况,提出一种基于压缩感知和改进深层小波神经网络的半监督学习滚动轴承故障诊断方法。将压缩感知方法的压缩采样能力和降噪能力与改进深层小波神经网络结合,有效提高了轴承故障识别效率。实验验证了提出方法的有效性。(3)针对带标记数据样本多的情况,提出一种基于同步挤压S变换和深层曲线波卷积神经网络的滚动轴承有监督学习故障诊断方法。为有效提高轴承振动信号的时频分辨率,引入同步挤压S变换;为有效训练深层卷积神经网络,使用curvelet变换代替传统的卷积运算,并将二者结合用于滚动轴承故障诊断,实验验证了提出方法的有效性。(4)针对诊断目标数据样本少的问题,提出一种基于EDWNN和迁移学习的轴承诊断方法。为扩展诊断目标数据量,引入迁移学习方法;为克服单一深度模型稳定性差的问题,引入集成学习策略;为使分类器能够刻画数据细节,提高数据拟合率,引入深层小波支持向量机。实验表明提出方法在目标样本不足的情况下,也能提高轴承的诊断精度和稳定性。