机械设备随着科技发展与时代进步,愈加向高性能化、高载荷化和复杂化发展,大至航天器、车辆、航空发电机等机械设备,小至精密仪器仪表等领域,在国民经济中有举足轻重的作用。滚动轴承是机械设备中最常用的组件,滚动轴承的性能会直接影响整个系统的运行可靠性,滚动轴承故障可能导致机械设备完全故障,从而造成巨大的经济损失,甚至造成人员伤亡。因此,为了确保机械设备的稳定运行,有必要提出一种可靠而有效的滚动轴承故障诊断方法,及时检测出滚动轴承的早期故障并进行正确的诊断以防止其进一步恶化。本文以滚动轴承的振动信号为研究对象,结合时频分析对信号进行特征提取、使用卷积神经网络进行故障诊断,并针对多工况、高噪声环境,提出具备自适应性的智能故障诊断优化方法。首先,基于滚动轴承的故障机理对各故障状态振动信号,使用不同时频分析方法进行特征提取,验证了时频域特征可以更好地表征故障特征。在此基础上提出了利用时频变换生成时频图像的方法对信号进行特征提取,采用连续小波变换生成时频特征图像,通过实验验证了方法的有效性。采用数据增强技术生成时频特征图像Data Set类数据集。其次,通过研究卷积神经网络基本算法,并对比模型结构与算法对识别结果的影响,搭建智能故障诊断模型对时频图像进行故障识别,并针对在Paderborn大学数据集上诊断结果不佳的问题,从模型结构与正则化算法两方面对模型进行改进,最终实验结果可以达到96%以上。最后,本文针对噪声环境下模型表现不稳定的问题。提出了针对振动信号的自适应滤波算法以及针对时频图像搭建了用于图像重构的卷积自编码器模型进行优化,大幅提升了模型在噪声环境环境下的自适应能力,在多工况环境下对模型的性能进行验证,通过与其他智能诊断算法进行对比验证本文方法的优越性。