滚动轴承作为机械设备的重要易损部件之一,其故障具有不确定性、复杂性、多变性的特点。因此,研究滚动轴承故障诊断技术意义重大。传统的故障诊断方法借助专家知识从信号中人工提取特征,但由于信号的非稳态、非线性、非高斯等特点,这一过程需进行大量的分析和对比,费时费力。为实现特征的自动提取和识别,本文引入深度学习模型以解决该问题,深度学习算法以其强大的特征学习和分类能力,在智能故障诊断领域得到了广泛的应用。但是,深度学习模型受多层结构所带来的大量参数的影响,使得模型容易陷入过拟合。此外,实验条件下性能优良的算法在噪声环境下会严重退化。针对以上问题,本文提出一种基于卷积去噪自编码和卷积神经网络的联合抗噪算法,前者对原始信号去噪,后者对去噪信号进行故障诊断,并采用一维卷积操作来适应振动信号,实现对滚动轴承故障端到端的诊断。考虑到实际噪声环境具有复杂多变的特性,通过向原始样本中添加不同信噪比的高斯噪声来模拟实际工业环境下的噪声情况,为了提高联合诊断模型的抗噪能力,加强对噪声的鲁棒性,分别对卷积去噪自编码和卷积神经网络进行优化和改进,主要内容如下:针对轴承振动信号容易受到噪声污染,有效特征难以被提取的问题,本文提出一种基于全卷积神经网络的一维卷积去噪自编码(1D-Denoising Fully Convolutional AutoEncoder,1D-DFCAE)模型用于对原始信号去噪。相比于基于全连接结构的传统去噪自编码模型,1D-DFCAE采用卷积运算能有效解决全连接层参数过多的问题,并且1DDFCAE模型能通过增加网络的深度提升对特征的提取和重构能力,在此基础上,1DDFCAE舍弃了传统卷积神经网络的池化层。传统的CNN因采用全连接层作为分类器,导致参数过多,网络陷入过拟合风险。针对以上问题,本文提出一种改进的一维卷积神经网络(1D-Convolutional Neural Network,1D-CNN)模型,利用全局平均池化代替全连接层作为1D-CNN的分类器,能有效降低模型陷入过拟合的风险,减少模型训练消耗的时间。将本文提出算法与故障诊断领域主流算法进行比对,验证了本文算法的优越性。此外,对每一层卷积的输出结果进行可视化,能直观的看到每一层卷积之后样本的分布情况。考虑到滚动轴承在实际工业应用中的工况并非保持恒定不变,将本文算法应用于混合工况环境,并取得了较好的诊断效果。