旋转机械是指主要依靠旋转动作完成特定功能的机械,在工业应用中发挥着重要作用。各种工业领域的旋转机械种类繁多,如汽车变速器、航空发动机和风力发电机等。旋转机械一般包括一些常见的基础旋转部件,如转子、滚动轴承和齿轮箱等,其中最重要的部件是滚动轴承和齿轮箱。滚动轴承和齿轮箱故障往往是导致停机事件发生的主要原因。目前常见的故障诊断方法可以分为基于模型的方法,基于知识的方法以及基于数据驱动的方法,其中数据驱动的方法已经成为目前最为实用的故障诊断技术。基于数据驱动的故障诊断方法利用采集到的与运行状态相关的各指标数据,通过机器学习和统计分析等方法探索数据内部的信息,建立故障类型分类的预测模型,实现故障现象的及时诊断。深度学习是近年来机器学习领域中发展较快的一个研究领域,拥有特征自提取能力的深度学习模型被研究人员广泛应用于故障诊断领域。传统卷积神经网络中池化层会降低空间分辨率,丢失特征图的空间信息,而采用空洞卷积层能够有效抑制空间信息的丢失。原始的每个卷积运算通常使用相同尺寸的卷积核,这降低了模型对不同信息量特征区域的学习效果,在同一模型中选择不同大小的卷积核有助于从振动数据中提取更多信息量的特征,提高故障诊断模型的预测性能。因此,本研究针对滚动轴承的故障诊断问题提出了基于空洞卷积神经网络的故障诊断模型,针对齿轮箱的故障诊断问题提出了基于改进多尺度卷积神经网络的故障诊断模型。基于通用的故障数据集分别验证了两种故障诊断模型的设计有效性。本研究共包含以下几项内容:（1）介绍了本研究所涉及的学科基础理论与预备知识。详细介绍了本研究相关的一些基础理论与预备知识,其中包含了深度学习相关基础介绍、全连接神经网络、卷积神经网络、空洞卷积和Inception结构。（2）提出了一种基于空洞卷积神经网络的风机齿轮箱故障诊断方法。基于空洞卷积神经网络的风机齿轮箱故障诊断模型中使用空洞卷积操作代替了传统卷积神经网络中的卷积操作,去除了池化层。将输入模型的原始时域振动信号数据通过切片过程处理为二维数据。使用NREL风机齿轮箱数据集对本研究所提出的基于空洞卷积神经网络的风机齿轮箱故障诊断模型进行模型训练实验,实验结果表明本研究提出的故障诊断模型能够对风机齿轮箱的故障类型进行有效分类,与传统卷积神经网络模型相比拥有更优秀的计算速度。（3）提出了一种基于改进多尺度卷积神经网络的轴承故障诊断方法。本研究基于Goog Le Net的Inception结构和多尺度卷积核,提出了一种具有多尺度卷积层的融合神经网络模型,所述的多尺度卷积层由2个不同尺寸的卷积核以及2个不同空洞率的空洞卷积核组成,在多尺度卷积层前使用一个卷积操作对原始一维信号进行去噪预处理。使用CWRU和PU两个数据集对本研究所提出的基于改进多尺度卷积神经网络的轴承故障诊断模型进行模型训练实验,实验结果表明本研究提出的故障诊断模型能够对轴承的故障类型进行有效分类,分类精度由于本研究所对比的其他故障分类模型。