为了避免因设备故障造成的重大工业损失,工业设备的预测与健康管理尤为重要。在人工智能时代,许多研究者将深度学习方法用于预测工业设备的剩余寿命（Remaining Useful Life,RUL）。不同类型的设备可监测的数据不同,对于轴承类机械设备,用来进行RUL预测的是来自少量传感器的振动数据,称为低维监测设备;对于较为复杂的设备,监测数据则来自设备上的大量传感器,称为多维监测设备。为了提高深度学习方法在RUL预测中的精度,本文的研究成果如下:（1）提出自注意力-多尺度压缩稠密连接网络SA-MSS-Dense Net,用于低维监测设备的RUL预测。该方法基于信号数据的时频图进行预测,首先提出MSSDense Net作为网络骨干,解决了其它CNN方法在特征提取中深层特征消失的问题,同时能够压缩特征图,减少GPU负担;为了捕获时间步之间的全局关联,论文提出时频对自注意力机制TFWSA,进一步提高预测精度。实验结果表明,SAMSS-Dense Net相较于其它CNN方法能更好地拟合设备退化的各个阶段。（2）提出频谱注意力时空预测网络FASTNN,用于多维监测设备的RUL预测。该方法解决了其它时空预测方法对时间特征和通道特征提取不充分的问题。FASTNN首先使用深度分离卷积提取通道间和通道内特征,并提出分段频谱通道注意力机制FSCA,重新映射通道信息的同时,解决了通道注意力机制对通道多样性考虑不充分的问题;之后使用Conv Lstm网络进行时空预测,并提出具有更大感受野的多尺度空洞Conv Lstm结构。实验结果证明FASTNN在预测上相较于其他深度学习方法得到了有效提升。（3）设计了基于Time Gan的信号数据增强网络,并提出能生成更真实数据的时频混合损失WTime Gan（TF-WTime Gan）。由于设备退化数据获取困难,本文基于Time Gan设计了用于信号数据生成的网络;然后用Wasserstein距离替换了对数损失提出WTime Gan。同时,为了在生成数据时考虑到频率变化,提出TFWTime Gan。多方面实验证明,Time Gan和TF-WTime Gan相较于其他的生成方法能够得到更真实数据,且生成的数据带来了RUL预测上精度的提高。