滚动轴承是一种在机器设施中具有关键性作用的构件,普遍存在于各个领域中。它的运转状况对机械系统的健康起着决定性作用,随着轴承的持续运转,其性能呈现出一种退化趋势,久而久之会引起轴承的失灵,严重情况下会使机械器件发生事故。因此,需要应用可靠性技术对轴承退化状态进行评估和分析,预测轴承性能退化的规律。在工业自动化和人工智能的时代背景下,由机器监测设备的运行,可以获得设备的状态变化信息,也是分析设备可靠性和寿命变化趋势至关重要的基石。本文以轴承全寿命振动信号作为研究目标,由振动数据驱动模型的运行,根据逻辑回归模型和长短期记忆网络构建预测模型,评估和预测轴承可靠性的变化趋势。论文主要研究内容如下:（1）论述了课题学习的目的、背景和意义,描述了轴承可靠性评估和预测的国内外研究现状,阐述了轴承的基础构造以及失效类型,并介绍了其振动信号数据处理的方法。（2）针对轴承可靠性预测中所提取的特征不能准确反映轴承退化过程的问题,选择了单调性、相关性以及鲁棒性三个特征评价指标,并定义了限制性指标,对特征参数进行筛选,选出可以准确表征退化过程的参数,构成了退化特征参数集。（3）针对振动信号存在的非平稳、非线性问题,使用随机临近嵌入（SPE）降维算法对退化特征参数集进行维数约简,能够合理的处理大多数的维数灾难问题,构成特征参数集。再使用小波去噪法,对特征参数集做去噪处理,减少数据中存在的噪声,把去噪后的参数集带入逻辑回归模型中评估可靠性,有利于提升可靠度评估的精度。（4）提出了基于逻辑回归模型和长短期记忆（LSTM）网络的滚动轴承可靠性预测方法,以退化特征参数集和特征向量集分别作为输入数据和标签带入LSTM网络,把输出的数据带入可靠性模型中做可靠性预测,并与极限学习机（ELM）、Elman和相关向量机（RVM）进行比较,可以有效的证明本文预测方法效果更好。