旋转设备在航空航天、电力冶金和石油石化等领域得到了广泛应用,其安全、可靠和稳定地运行,密切关系到企业的经济效益和社会效益。本文以提高旋转设备故障智能诊断准确性、可靠性为目标,以滚动轴承和转子系统两种典型部件为研究对象,综合运用信号处理、数据融合和深度学习等理论,围绕非平稳信号的时频图像特征自适应挖掘、深度诊断模型的自适应构建和多源异构信息数据级融合诊断三种方法开展研究。主要内容如下:（1）旋转机械非平稳信号的时频图像特征自适应挖掘方法针对“大数据”时代下,浅层智能分类模型存在特征提取、特征选择过于依赖于人员经验和先验知识,通用性不强,且非线性表达能力差,难以应对海量数据和基于时域、频域特征的模式识别方法面对复杂非平稳监测信号时稳定性和准确性下降等问题,提出了基于希尔伯特-黄变换（Hilbert Huang Transform,HHT）和卷积神经网络（Convolution Neural Network,CNN）相结合的非平稳信号时频图像特征自适应挖掘方法。首先,采用希尔伯特-黄变换处理低信噪比的一维时域信号获取不同状态下的时频图像,保留更丰富的故障信息;再构建深度诊断模型,利用卷积神经网络强大的非线性表达能力自适应挖掘时频图像的故障敏感特征;最后,通过滚动轴承故障模拟试验数据验证了所提方法的有效性。（2）基于粒子群优化算法的卷积神经网络自适应构建方法针对卷积神经网络需要手动设置其结构参数、超参数造成费时费力和模型重用性低等固有缺点,提出了基于粒子群优化算法（Particle Swarm Optimization,PSO）的卷积神经网络自适应构建方法。首先,采用希尔伯特-黄变换获取时频图像,并初始化卷积神经网络的网络层组数和池化核尺寸;然后,采用粒子群优化算法自适应选取卷积神经网络的卷积核尺寸等7个关键参数,具有较强的自适应性;最后,在滚动轴承和转子系统的故障诊断中进行应用,表明本方法能够提高诊断模型构建的自适应性。（3）多源异构信息数据级融合的转子系统故障诊断方法针对单一类型传感器信息的故障诊断存在诊断不确定性和多传感器异构信息难以数据级融合等问题,提出了多源异构信息数据级融合的转子系统故障诊断方法。首先,采用希尔伯特-黄变换将原始振动信号处理成与红外图像同维的结构,并与红外图像进行数据级融合获得多通道融合信号;然后,将其输入到自适应多通道卷积神经网络中进行训练以构建多源融合诊断模型,采用1×1卷积层和全局平均池化层代替卷积神经网络全连接层,减小过拟合风险,提高计算效率;最后所提方法经过转子系统模拟故障试验数据的验证,提高了故障诊断的精度、鲁棒性和抗噪性,同时可以在小训练样本背景下获得良好的诊断性能。