旋转机械在现代工业中扮演着举足轻重的角色,然而,其往往在长时间、大负载和强背景噪声的状态下运行。糟糕的运行工况会导致旋转机械出现各种各样的故障,甚至有可能会造成不可预料的人员伤亡和经济损失。因此旋转机械的有效诊断对于保障其正常平稳的运行有着非常重要的意义。实际采集到的振动信号往往是非线性、非平稳和含有噪声,这就对模型的降噪性和稳定性提出了更高的挑战。而深度学习方法由于其含有多个隐层,可以充分的挖掘轴承原始振动信号所包含的故障信息并且已经成功应用在故障诊断领域。基于上述所述,本文提出了一种增强批量归一化卷积神经网络的滚动轴承故障诊断方法。该方法主要包括以下几个阶段。首先,将批量归一化应用于常规卷积神经网络,来提升其对复杂原始振动信号的特征学习能力。其次,利用所构建的深度学习模型对采集到的原始振动信号进行充分的特征学习以及故障信息挖掘。最后,将学习到的特征输入到极限学习机输出诊断结果。本文所提方法利用从实际机车采集到的轴承信号进行了验证。验证结果表明,本文所提方法的诊断效果比其他方法更好,更稳定。