近年来,随着各领域的飞速发展,机械设备得到越来越多的应用,而滚动轴承作为旋转机械中应用最广泛而又极易损坏的部件之一,被人们广泛研究。随着人工智能领域的发展,设备由原来的机械化发展转变为智能化,如何有效自动获取轴承的故障特征信息成为故障诊断与健康管理领域的研究热点。因此,本文将深度学习中的深度降噪自编码用于自动提取复杂振动信号中的特征信息,结合单类支持向量机,用于轴承的性能退化评估。根据自回归模型的特点,将其模型的自回归系数与残差当作提取的特征矩阵;性能退化评估距离模型中常用欧氏距离作为退化指标,而马氏距离具有不考虑样本量纲的影响、模型简单的优点,所以本文将马氏距离作为轴承性能退化的模型,并结合隶属度函数对退化曲线进行优化,更方便退化分析。但是使用马氏距离模型需利用故障样本做训练,考虑深度降噪自编码具有特征提取的优势,将马氏距离与其相结合,使用辛辛那提大学的轴承数据来验证模型有效性。将单类支持向量机用作轴承性能退化的评估模型,结合单分类的特性,使用XJTU-SY数据集的不同工况下的数据验证模型的有效性,并使用包络谱分析验证轴承初始故障频率点。针对传统特征提取的方法无法自动获取特征信息的问题,提出使用深度降噪自编码用于自动提取原始振动数据的深层特征,并说明了降噪自编码的参数选取过程,结合单类支持向量机的训练优势,用于轴承性能退化评估;为了证明提取深层特征有效性与融合模型的实用性,使用常用的时频域、自回归模型、小波包特征进行实验对比,说明深度降噪自编码特征鲁棒性强、可以减少特征信息流失的特点。使用辛辛那提大学的轴承实验数据对模型方法进行验证,证明所提出的方法能够有效分析轴承各阶段的性能退化状态,具有一定工程实践性。