滚动轴承是机械传动系统中重要且相对易失效的基础零部件,其保证装备具有良好的运行性能和稳定性,在现代装备中发挥着至关重要的作用,然而一旦出现磨损、疲劳等失效故障将影响装备的正常工作。目前,数据驱动的剩余使用寿命（Remaining Useful Life,RUL）预测方法受到广泛的研究与应用,因此本文基于滚动轴承的退化特点和全寿命振动信号,开展数据驱动的滚动轴承RUL预测方法研究,对于丰富滚动轴承RUL预测方法,保证现代装备安全、可靠和长周期运行具有重要的理论和现实价值。首先从轴承结构、受力情况及失效形式出发,对滚动轴承的退化原因及退化过程进行分析。在此基础上,提取滚动轴承全寿命振动数据在时域、频域和时频域中的特征参数,并依据评价指标构建退化特征。其次针对滚动轴承退化具备多阶段和不确定的特点,基于维纳过程建立多阶段退化模型,考虑退化中的三种不确定性因素,使退化模型具备随机效应,并推导该模型对应的滚动轴承RUL分布。使用基于卡尔曼滤波及平滑和期望最大化算法的联合估计方法根据监测数据在线更新退化状态和模型参数,同时使用指数加权移动平均控制图消除“奇异数据”并划分退化阶段,实现不同阶段下的RUL预测。最后根据仿真数例和振动数据实现滚动轴承全寿命周期内的RUL预测。再次针对长短时记忆（Long Short-Term Memory,LSTM）网络没有特征关注能力、同等对待每个特征的不足,提出添加注意力机制使网络模型专注于相对重要的特征。通过构建基于“前馈”注意力机制的注意力层赋予深层特征不同权重,并与网络模型进行结合使得模型具备深层特征关注能力,从而提高滚动轴承RUL预测精度。通过与传统LSTM网络模型预测结果的留一验证,证明注意力机制可以有效提高LSTM网络在滚动轴承RUL预测的精度和稳定性。最后为了优化LSTM网络模型性能、解决调参繁琐的问题,基于高斯过程回归构建由超参数和预测误差组成的代理模型,提出贝叶斯优化LSTM网络超参数的迭代方法。通过非线性函数最值和网络模型单个超参数优化,确定最优采集函数并构建超参数域空间。通过与其他优化方法在预测结果上的留一验证,证明优化后的LSTM网络可以提高滚动轴承RUL预测的精度和稳定性,同时贝叶斯优化相比于其他方法能够减少不必要采样,在较短的训练时间内获得较优的预测效果。