滚动轴承作为机械装备中最重要的基础零部件之一,其健康状态直接决定着设备及其主机产品的性能、质量和可靠性。对轴承进行可靠的剩余寿命预测,可以及时掌握设备的运行状况以及剩余工作时间,便于工作人员尽早制定维修计划进而提高设备的使用效率、减少经济损失。但是目前基于数据驱动的剩余寿命预测研究方法大多建立在通过多个传感器获取不同的退化特征信息,很少从单一传感器采集的大量数据中提取不同的故障信息。因此,本文针对振动信号降噪、特征参数提取、特征参数选择、退化状态评估和剩余寿命预测五个部分展开深入研究,主要研究内容如下:（1）针对旋转机械设备工作环境复杂导致传感器采集的振动数据包含大量噪声和干扰信号的现象,本文提出了一种基于完备总体经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）的小波包阈值降噪方法。运用该方法对实际振动信号进行降噪处理,对降噪后的信号进行时域、频域、时频域上的特征参数提取。然后引用一种无监督的特征参数选择方法,即基于退化特征本身性质定义三种评价指标,对其进行加权计算得到综合指标值,从而筛选出更准确描述轴承退化趋势的特征参数。（2）针对滚动轴承退化特征参数具有明显的阶段性,并且失效过程采集的数据样本与健康样本存在差异的特性,本文提出了一种结合t分布随机近邻嵌入（t-Distributed Stochastic Neighbor Embedding,t-SNE）和相关性分析的退化评估指标构建方法。根据退化评估指标得到退化起始时刻的大致范围,再利用t-SNE分离不同样本的特性确定具体退化时刻,最后通过退化时刻样本数据的包络谱验证其准确性,并通过与其他降维方法对比验证该方法的初期故障敏感性。（3）针对滚动轴承的振动数据为一维时间序列,提取的特征参数具有长时依赖性的特点,本文提出了一种结合双向长短期记忆网络（Bi-directional Long Short-Term Memory,Bi LSTM）的深度卷积神经网络（Deep Convolution Neural Networks,DCNN）剩余寿命预测方法。首先利用t-SNE确定的退化起始时刻将轴承剩余寿命进行归一化作为网络训练的标签,然后利用Bi LSTM可以获取时间序列上下文信息和DCNN可以提取抽象特征的优势建立特征参数与剩余寿命的映射关系。通过对测试轴承的剩余寿命预测值进行结果分析和误差对比,验证了该深度学习模型的有效性。