近几年来,深度学习作为人工智能领域的一种新兴方法,以其强大的自动特征提取能力在故障诊断领域已经取得了辉煌的成果。深度学习方法相比较传统的故障诊断方法,能从大量数据中自动提取特征,减少了对专家故障诊断经验和信号处理技术的依赖,降低了传统方法中由于人工参与导致特征提取和故障诊断的不确定性。深度学习中的卷积高斯深度置信模型具有强大的特征提取能力并能很好地表征信号与健康状况之间的映射关系,非常适合对多样性、非线性、高维数据作诊断分析,因此将卷积高斯深度置信模型应用于滚动轴承故障诊断领域具有重要的理论意义和应用价值。本文以电机轴承为研究对象,将连续小波变换、图像转换和卷积深度置信网络引入到故障诊断中,提出一种电机轴承故障诊断新方法。首先,采用连续小波变换(CWT)方法,对电机轴承振动信号进行分解,获取多个尺度下的连续小波变换结果,即尺度图,再利用图像转换方法,转化为RGB图像或灰度图像。接着通过白化处理,将特征图像预处理。最后,利用卷积深度置信网络,构建了一种具有较强泛化能力的数据分类模型,以提高分类精度,进而建立一种基于连续小波变换、图像转换、白化处理和卷积深度置信网络相结合的电机轴承故障诊断方法。最后,通过实际电机轴承振动数据,对提出的故障诊断方法进行了有效性的验证。实验结果表明,卷积深度置信网络获得了较高的电机轴承故障诊断准确率。因此该研究为电机故障诊断提供了一种新的方法,也为旋转机械故障诊断提供了一种新思路。