滚动轴承作为各类旋转机械的关键性零部件,其健康状态对机械设备的安全性有着重要的影响。在工程实际应用中,机械设备运行工况复杂多变,滚动轴承也在变载荷、变转速的工况下工作,进而产生不同的故障类型。复杂多变的工况、不同的轴承故障类型,给轴承故障诊断分类带来挑战。本文以滚动轴承为研究对象,开展轴承多工况多载荷下的故障试验,基于采集到的声压信号与加速度信号,建立完备的轴承故障数据集,开展复杂工况下滚动轴承故障诊断方法研究。首先针对现有轴承故障数据集不完善的情况,加工出轴承的不同故障类型,采集多种工况下不同故障类型的轴承故障的加速度信号和声压信号,建立了完备的轴承故障数据集,为后文轴承故障诊断方法的验证提供数据来源。然后针对机器学习轴承故障诊断方法的诊断能力取决于输入特征的质量这一问题,提出一种基于tSNE-ASC的特征选择方法,先用VMD分解对数据进行预处理并提取特征,再利用tSNE降维方法对特征集降维,根据低维空间平均轮廓系数的值,对混合域特征进行故障信息敏感性评估,筛选出声信号和振动信号的敏感特征,并验证了该特征选择方法筛选出来的敏感特征在不同机器学习模型、不同载荷及变转速复杂工况下都具有很高的诊断精度。利用DSm T融合决策理论对声信号诊断结果与振动信号诊断结果融合决策,有效降低了单一信号诊断带来的不确定性。最后针对依靠先验知识人为提取出来的特征在面对复杂多变工况下的轴承故障诊断没有很好的泛化性这一问题,基于改进后的1D＿VGGNet卷积神经网络模型,输入声振融合后的双通道时间序列,自适应的对样本数据进行特征提取,省去了特征提取的环节,实现端到端智能化的轴承故障诊断。由于2D＿VGGNet无法对一维时间序列直接处理,在保留2D＿VGGNet的优点下设计了1D-VGGNet,更改了网络层次与隐藏层激活函数,对损失函数增加L2正则化项,用全局均值池化取代2D＿VGGNet的全连接层,减少了模型中的参数,降低了模型的复杂度,进一步减少过拟合的发生。试验结果证明了1D＿VGGNet在平稳工况、变载荷工况、变转速复杂工况下的轴承故障诊断准确率均达到了99%以上,该模型具有很好的泛化性。当输入信号为声振融合后的双通道信号,较之单一的单通道信号,具有更高的诊断精度。