滚动轴承是旋转机械设备的关键零部件,其作用是承受载荷和传递力与力矩,由于大多数滚动轴承在旋转机械中长期处于高速重载的工况下,出现损伤和失效的概率非常大,结果将导致整个机械设备陷入停滞状态,并造成严重的事故和经济损失。因此对滚动轴承进行故障诊断和状态监测具有重大的必要性和意义。为解决传统的故障诊断和状态监测方法对于特征工程和人工经验过于依赖的问题,满足大数据背景下机电设备迈向智能化和自动化的需求。本文采用理论与实验相结合的方法探究以生成对抗网络为主体的深度学习模型在滚动轴承故障诊断和状态监的应用研究。受环境噪声和传递路径衰减等因素影响,滚动轴承故障瞬态冲击特征往往难以提取,从而导致故障诊断效果不佳。常用信号处理方法在冲击特征提取方面存在诸多问题和局限性,同时鉴于深度学习所具有的特征自动提取能力,提出一种基于生成对抗网络的滚动轴承瞬态冲击特征提取方法。生成对抗网络中的生成器用于提取信号中的瞬态冲击特征,辨别器用于优化生成器。用数值仿真信号训练生成对抗网络,网络训练到最优时,将实测轴承振动信号输入生成器,对输出信号进行包络谱分析即可判断轴承有无故障及故障类型,与常用轴承诊断方法如快速谱峭度进行对比,结果证实了本文方法在微弱瞬态冲击特征提取中的优势,能为滚动轴承早期故障诊断给予借鉴。包络谱分析需要人工先验知识且只适用于小数据场景下的故障分析,无法在大数据的工业场景下实现智能诊断。智能诊断方法以数据驱动,在训练模型时需要大量数据支持,然而在实际工业环境中,故障样本数据是极度缺乏的,而且样本数据通常夹杂着大量噪声,这给轴承故障诊断带来重重困难。对于样本不平衡问题,故障领域的研究者使用卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）生成故障样本,但存在生成器输入普遍为随机变量而导致生成数据的质量不高,生成对抗网络难以训练等问题,本文对沃瑟斯坦式生成对抗网络（Wasserstein Generative Adversarial Net,WGAN）中的输入进行改进,用样本数据编码的向量和随机向量作为两通道数据输入到生成器中,以达到提升生成器生成数据的效果。针对噪声干扰问题,采用深度残差收缩网络（Deep Residual Shrinkage Networks,DRSN）进行故障诊断,该方法通过将软阈值操作结合残差网络的方法,在对输入数据信号进行软阈值化过滤噪声的同时提取数据特征,最后实现故障类型的模式识别。实验结果验证了生成数据的质量和分类效果的有效性和优越性。在机械智能诊断分类问题中,数据和数据模型需要数据标签的支撑,然而在实际工业环境中,很多机械设备并不具备设置数据标签的条件,所以在无标签条件下使用智能诊断方法判断机械设备是否故障以及故障程度是一个值得研究的难题。而在深度学习模型中,生成对抗网络是一种无监督学习模型,由于其基于对抗训练和无监督的学习机制,可以提高模型的鲁棒性和减少对样本标签的依赖。所以本文提出一种基于生成对抗网络和自编码器相结合的滚动轴承性能退化评估方法,其中采用多域特征以全面表征轴承潜在的状态信息,生成对抗网络和自编码器相结合用于重构输入特征向量,用轴承疲劳试验全寿命数据分析表明该模型的有效性和可靠性。