滚动轴承是电机旋转系统的核心部件,也是极易发生故障的部件,因电机轴承故障已经造成了多起严重的人员伤亡事故。一种准确、有效的轴承故障诊断方法可以提早发现故障,预防恶性事故的发生。随着机电设备朝着复杂化、综合化方向发展,传统的人工诊断方法已无法满足现在的需求。因此为了提高故障诊断结果的可靠性,研究面向复杂工况的智能驱动故障诊断技术具有重要的理论意义和应用价值。本文以电机滚动轴承为研究对象,针对复杂工况下的轴承故障诊断问题,提出了基于双阈值中心频率变分模态分解和深度置信网络的滚动轴承故障诊断方法(DTCFVMD-DBN)。该方法提出一种双阈值中心频率法(Double Threshold Central Frequency Method,DTCF),用于确定变分模态分解(Variational Mode Decomposition,VMD)的最优模态数,获得各内禀模态函数分量,对其进行希尔伯特变换,将获取的包络谱作为深度置信网络(Deep Belief Network,DBN)输入,实现故障诊断。针对DBN初始参数对诊断结果的影响问题,引入具有全局优化能力的量子差分算法,提出一种多策略改进的量子差分进化算法(Multi Strategy Improved Quantum Differential Evolution Algorithm,MSIQDE),用于优化DBN初始参数,实现一种基于MSIQDE优化DBN的滚动轴承故障诊断方法(MSIQDE-DBN)。最后针对时域振动信号的相位差对故障诊断结果的影响,提出了一种自适应相位的振动信号处理方法,有效提高电机滚动轴承故障诊断的精度。通过凯斯西储大学数据集和QPZZ-II旋转机械振动数据验证所提出方法的有效性,并与其它方法进行了比较分析。实验结果表明,DTCF-VMD-DBN方法能有效提高复杂工况下轴承故障诊断的准确率;MSIQDE-DBN方法能解决DBN初始参数对诊断结果的影响,进一步提高了轴承故障诊断的准确率;自适应相位振动信号处理方法可以解决输入信号相位差的问题,进而提高故障诊断的效果。