旋转机械运行过程中存在磨损等问题,导致各种故障出现,就很可能会出现安全事故,因此旋转机械的故障诊断越来越引人注目。由于旋转机械振动信号具有非线性等特征,在强噪声和变负荷并存的变工况环境下,微弱的故障特征很容易被淹没,使其增加了故障诊断的难度。本文基于深度学习模型,利用改进的卷积神经网络,实现了对旋转机械复杂故障模式智能故障诊断研究。论文主要内容如下:首先,针对旋转机械运作过程中故障诊断效果不理想的问题,提出了一种卷积神经网络（CNN）与粒子群优化支持向量机（PSO-SVM）方法。先利用特征参量求出信号的时频特征统计量,再利用卷积神经网络对时频特征统计量进行二次特征提取,最后利用粒子群优化的支持向量机进行分类。经实验验证,此方法准确率不仅高于其他经典网络模型,而且训练时间最短。其次,针对旋转机械在实际运行环境中同时存在变负载和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题,提出了一种用于旋转机械变工况故障诊断的一维残差卷积神经网络方法。将归一化后整理完的原始旋转机械振动信号输入到网络模型中,利用具有残差连接的多个一维卷积层提取特征,再经过多个卷积池化,最后输入到Softmax层进行分类,输出旋转机械振动信号的故障类型。经实验研究,验证了所提方法的抗噪性和泛化性。最后,为了进一步增强模型的提取和识别能力,提出了一种注意力机制和多尺度残差网络相结合的旋转机械故障诊断方法。该方法以旋转机械的一维振动信号作为输入,通过首层卷积后进入多尺度网络结构,通过增加网络对卷积核尺寸的适应性,提取出更丰富的特征信息。再通过多个残差块进行更深层的特征提取,利用注意力机制抽取更加关键的信息,使模型分类能做出更准确的判断,最后通过Softmax分类器进行故障诊断。经实验验证,所提方法在复杂工况的环境下具有很强的鲁棒性。