滚动轴承是旋转机械中应用最多的核心支撑部件之一,在高铁动车组齿轮箱中常用其支撑轴旋转。滚动轴承发生故障时,通常采集振动信号反映运行状态,表达故障特征信息,但传统的振动信号分析方法过于依赖数据,特征选择与提取困难。随着人工智能时代的到来,故障诊断向着智能化趋势发展。针对上述问题,本文采用振动信号,运用深度学习的方法实现了滚动轴承的故障诊断与剩余寿命预测,具体内容如下:（1）滚动轴承故障诊断试验与振动信号分析。设计并搭建了故障诊断试验台,制作了滚动轴承不同损伤位置、不同转速下的振动信号数据集,并对采集的振动信号通过集合经验模态分解（EEMD）法与包络分析识别了故障类型,同时运用最大相关峭度反卷积（MCKD）进行了更好的去噪,并将去噪后的信号进行经验小波变换（EWT）使其自适应滤波,获取分量实现了故障特征频率识别。（2）采用不同损伤位置和不同转速下的振动信号,运用深度学习的方法实现了滚动轴承的故障诊断,针对性地提出了一种改进的卷积神经网络（CNN）模型,提高了故障诊断准确率。同时研究了不同数据预处理方式、CNN模型下的故障诊断结果,表明应用归一化和全波整流的预处理方式识别效果最好;将一维的振动信号组合成二维振动图像作为输入,相比将振动信号直接作为输入更能发挥二维卷积网络处理图像特征的优势,识别准确率可达96.8%;应用改进卷积神经网络模型,将一维卷积网络模型与二维卷积网络模型分别提取特征,进行特征融合后实现分类,识别准确率最高,达到99.3%,表明改进的卷积神经网络能够同时表达振动信号的时序特征与图像特征,适用于振动信号的故障诊断。（3）采用全周期的振动信号,运用深度学习实现了滚动轴承的剩余寿命预测及失效阶段分析。首先预测了滚动轴承的退化趋势,提取了能够表征滚动轴承退化趋势的特征指标,应用长短时记忆（LSTM）网络,采用单一特征和组合特征作为模型输入,预测了滚动轴承的退化趋势。结果表明组合特征效果更好,预测曲线更接近真实退化过程;其次,应用时空卷积神经网络（TCN）预测了滚动轴承的退化趋势,结果表明TCN模型相比LSTM网络模型损失函数下降更快、训练时间更短,预测趋势更接近真实情况;最后应用TCN模型实现了滚动轴承的剩余寿命预测,并采用不同时刻的振动信号作为输入,预测该时刻的振动信号所处失效阶段,结果表明应用神经网络能够识别振动信号所处的运行阶段,判断轴承所处的运行状态从而提前预防滚动轴承失效,识别准确率最高可达93%。