随着工业化的快速发展,保证机械特别是大型旋转机械的正常有序运行,对工业生产和生活起着至关重要的作用。滚动轴承是许多大型旋转机械的关键部件,旋转机械的长期安全运行与滚动轴承的稳定性密切相关。因此,研究针对于滚动轴承的故障诊断方法具有十分重要的意义。大数据时代以来,传统的故障诊断方法需要大量的人工处理过程,已经无法顺应大数据时代的发展要求。由于可以从原始数据中自动提取特征的优势,深度学习在机械故障诊断领域得到了越来越多的青睐。然而,深度学习暴露出参数选择困难、训练困难以及训练时间长的问题,因此很难训练出泛化性好、精度高的深度学习模型。为了解决这些问题,本文提出了一种基于改进的深度堆栈自编码神经网络（DSAE）的故障诊断模型。为了对DSAE网络模型的超参数设置对模型性能的影响进行研究,本文构建了振动仿真信号对网络中各类超参数设置了对比实验,通过学习率、训练时间以及误差收敛曲线等对性能进行了衡量。并针对DSAE网络对大样本的需要,而传统的时频预处理方法处理时间较长的问题,提出了一种新的数据预处理方案,其可以在较短时间内提取数据的复合信息。确定了基于DSAE的故障诊断模型基本框架。神经网络的性能在很大程度上取决于它的模型结构和相应的学习优化算法。针对深度自编码神经网络（DSAE）在微调过程中受内部协变量迁移导致梯度传递缓慢问题,基于批量归一化（BN）算法在DSAE网络微调阶段加入自适应平衡处理层对编码层的输入进行正则化处理,以自适应地纠正特征空间以提升训练效果。在DSAE网络中,针对基于梯度算法的固定学习率导致网络参数更新缓慢且适应度不够的问题,本文对比了各个基于梯度的优化算法,选定有自适应学习率的Adam算法对网络进行学习。并针对Adam算法中矩估计的指数衰减速率的设定问题,用自适应机制对Adam算法进行了改进,使得此新增超参数可以实现自适应变化。然后用改进的Adam算法优化了BN-DSAE网络的权重分布。为检验所提方法的有效性,在MATLAB平台上分别将改进的BN-DSAE网络、改进带自适应机制的Adam算法以及最终提出的BN-DSBAE故障诊断框架在电机滚动轴承数据集上进行了验证,并与DSAE以及常见的学习分类算法BP以及SVM进行对比,实验结果验证了所提方法在分类准确度以及损失值方面均使得DSAE网络有效的提升,经过优化后的DSAE框架也优于其它深度学习方法和传统的机器学习方法。