滚动轴承作为旋转机械中必不可少的零部件,广泛应用于工程机械、交通、航空等国民经济和国防事业的各个领域,一旦出现问题将造成经济损失和安全隐患。因此,监测滚动轴承的运行状态十分重要。传统的滚动轴承诊断方法主要是提取时域、频域和时频特征,然后使用机器学习方法实现滚动轴承故障诊断。但是,机器学习方法的分类结果依赖于特征提取、特征降维及分类器,造成了传统方法的局限性。得益于深度学习的崛起,出现了一些基于深度学习的轴承故障诊断方法,深度学习方法可以自动学习原始数据的特征,减少人工特征提取过程所涉及的特征定义的影响,从而可以实现端到端的滚动轴承故障诊断。近些年,卷积神经网络在故障诊断领域取得了卓越的效果,因此本课题采用卷积神经网络算法进行滚动轴承故障诊断,本课题的研究内容包括:（1）提出一种基于图像的卷积神经网络滚动轴承故障诊断方法。首先对故障信号进行预处理工作,预处理包括对故障信号的归一化、数据集的构建。使用了一种基于格拉姆角场法的一维振动信号转二维图像方法,相比较其他转换方法,保留了更多的时间信息。使用转换后的数据集训练卷积神经网络,在凯斯西储大学的轴承数据集上验证了方法的有效性,结果表明模型在三种负载下,十种故障类型的识别准确率均达到了98%以上。（2）为了提高故障诊断的实时性,减少卷积神经网络的模型参数,提出了一种一维卷积神经网络对滚动轴承进行故障诊断,并在此基础上进行网络结构的改进,构建了深度多尺度一维卷积神经网络。该模型由多尺度卷积层和多尺度降采样层交替构成,其中,多尺度卷积层使用不同大小的卷积核提取不同精细度的特征,通过多尺度降采样层加深网络深度,提取更深层次特征。仿真结果表明多尺度卷积网络在三种负载下的平均准确率达到了99.83%,比普通一维卷积网络提升了1%以上,相比较二维卷积神经网络和循环神经网络有更好的实时性和准确率。（3）为了增强卷积神经网络从强噪声信号中学习特征的能力,提出了自适应降噪残差网络。使用软阈值化作为非线性层,嵌入到深度残差神经网络之中,以去除不重要的特征。另外,考虑到软阈值化的阈值难以设定,因此在所提出的自适应降噪残差网络中引入了注意力机制,采用了一个子网络,来自适应地设置这些阈值。仿真结果表明,在加入强度为-5d B到5d B范围的高斯白噪声后,该模型可以很好的过滤掉与故障特征无关的噪声信号,在含噪声环境下能取得接近100%的准确率。