滚动轴承作为机械设备核心的零件,其性能影响着整个生产设备的稳定运行,研究滚动轴承智能故障检测技术意义非凡。传统的故障检测技术需要繁琐的特征提取工程,而深度学习模型可以自主提取特征,能够实现端到端的智能故障诊断。本文以轴承振动信号和轴承图像作为输入数据,研究深度学习模型在不同场景中滚动轴承诊断问题,对于智能诊断滚动轴承故障技术具有十分重要的意义。在滚动轴承智能故障检测中,提出深度学习模型检测精度高于传统的机器学习模型。利用Pytorch框架设计一维卷积模型,使模型符合轴承振动数据特点。针对滚动轴承波形特征,设计第一层卷积核为大卷积核、尺寸为64,以此获得更大的感受野。针对实验过程中损失值难以下降的问题,在一维卷积模型中增加Batch Norm层和Dropout方法。结果表明,深度学习模型检测轴承故障的正确率高于传统机器学习模型。在轴承故障诊断中,提出提高轴承图像的分辨率有助于提升检测精度;全卷积模型的检测精度高于一般卷积模型。针对滚动轴承图像数据,改进传统的数据拼接法为定步长数据拼接法,将一维振动数据转化为二维图像数据。在原始的P-Net模型中增加自适应全局池化层,以接收图像金字塔数据。修改R-Net和O-Net模型的输出端结构。结果表明,提高轴承图像分辨率,可以提升轴承故障诊断的准确率;在滚动轴承智能故障诊断中,全卷积模型检测精度高于一般卷积模型。基于小样本数据的场景,提出利用特征迁移和分组卷积来优化网络模型的诊断方法。特征迁移解决了滚动轴承数据不足时Resnet模型难以训练的难题。分组卷积相比于普通的卷积方式有着更少的参数,减小模型所占的内存空间。结果表明,特征迁移加上Resnet模型,可以提升滚动轴承故障诊断精度;经分组卷积优化后的Resnet模型文件所占内存空间更小。针对数据不均衡时滚动轴承故障诊断难题,提出采用级联模型来解决数据不均匀的诊断方法。针对GAN模型损失值不收敛的问题,通过改进GAN模型的损失函数,来改进级联模型。结果表明,数据不均衡的场景中,级联模型相比于单一的模型检测精度更高,而改进后的级联模型效果更佳。