旋转机械是工业生产中不可缺少的重要部分,随着对其安全性、可靠性等要求不断提高,针对旋转机械故障诊断问题的研究日益重要。但是,旋转机械工作环境复杂多变,故障种类及大小不易用外部信号表征,导致故障诊断的难度明显增加。为此,本文以具有信号处理能力以及特征样本分类能力的神经网络为分析工具,针对旋转机械的故障诊断问题开展研究,主要内容如下:首先,在对各类基于神经网络的机械故障诊断方法进行分析研究的基础上,结合旋转机械结构及工作特点,给出一种敏感特征选择与递推最小二乘反向传播神经网络相结合的故障诊断方法。该方法能够从多路信号的时域和频域的经验特征参数中选择出有利于分类的特征,解决了故障信息的准确表达问题。所选用的神经网络方法具有动态模型适应能力和较强的模式辨识能力,提供了解决特征样本分类问题的有效途径。其次,普通神经网络不具备数据深度信息挖掘的能力,必须引入信号预处理算法才会有良好的诊断效果。针对这一不足,提出一种基于深度学习的循环卷积神经网络故障诊断模型。该模型直接将时域信号作为诊断基础,利用卷积神经网络分析采样数据的内在联系获得主要特征,利用循环神经网络对多个相邻时间段的卷积特征提取结果进行归纳比较,获得更深度的信息表征。基于循环卷积神经网络的故障诊断模型相对于上述敏感特征选择的方法,在避免了繁琐的特征提取、特征选择、特征融合等步骤的同时也能够获得高分类准确率。最后,将提出的方法在不同旋转机械构件的工作数据集上进行有效性测试。实验结果表明,提出的两种方法均具有很强的特征提取能力,能够有效提高诊断系统的辨识率,解决多工况下多类旋转机械故障的诊断问题。