机械设备大多处于恶劣的工作环境中,这些环境是不适合操作人员现场操作的,因此实时采集机械设备的运行数据,远程对机械设备进行故障诊断和性能评估的研究是十分有意义的。作为旋转机械的核心部件,滚动轴承的故障发生率更高,据数据表明,由滚动轴承的损坏所引起机械设备的故障占总故障的30%。因此对滚动轴承进行机理分析,进而诊断轴承的故障,最终评估轴承的性能是旋转机械领域的重点研究问题。针对传统的故障诊断方法在特征提取过程中主要采用少量特征而无法达到最优的故障诊断准确率的问题,提出了一种基于集合经验模态分解和多特征融合的故障诊断方法。该方法可以准确的对滚动轴承内圈和外圈在不同严重程度的损坏下的故障进行分类识别,效果优于提取少量特征的结果。然而,此方法存在提取的特征较多,导致计算速度较慢的问题。针对多特征存在计算复杂且传统的支持向量机分类参数容易陷入局部最优的问题,本文提出一种基于集合经验模态分解和布谷鸟搜索优化支持向量机的故障诊断方法,该方法对本征模态函数只提取均方根作为特征,并且使用布谷鸟搜索算法对支持向量机进行优化,自适应的选取最优参数进行故障分类,该方法不仅可以准确的对轴承内外圈在不同损坏程度下的故障进行诊断,还可以准确的对轴承滚动体的不同故障位置进行诊断。基于变分模态分解的滚动轴承的信号处理方法存在中心频率容易陷入局部最优以及分解层数需人为选择两个问题,此外传统的性能评估方法缺少对时间序列信息的考虑,对信号数据的拟合误差较大。针对以上问题,本文提出了基于改进变分模态分解和长短期记忆网络的滚动轴承性能评估方法。该方法使用布谷鸟搜索优化中心频率迭代,通过瞬时频率理论自适应的选择信号分解层数,彻底解决变分模态分解的中心频率迭代陷入局部最优问题以及分解层数需人为选择问题。提出将长短期记忆网络用于对提取的方差特征时间序列进行拟合,极大地降低了拟合误差,并针对拟合信号进行分析,找出了滚动轴承的性能变化规律,该方法将长短期记忆网络引入滚动轴承的性能评估方法中,为评估滚动轴承的性能提供了一种有效的方法。