复杂工作环境下,轴承的微弱故障特征在噪声的干扰下很难提取,给诊断带来了困难。此外,当产生位置不同的复合故障时,故障之间相互耦合,给旋转机械故障精确诊断带来了挑战。论文将滚动轴承的振动信号作为研究对象,针对轴承单一故障和复合故障特点,研究了基于奇异谱和深度信念网络的轴承故障诊断方法。首先,研究了混沌空间结构的一种新的度量方式—混沌奇异谱,从数学角度解释奇异谱的特征空间和噪声平台,以及从几何空间角度说明奇异谱是一种基于方差极大化的空间几何结构的描述方式,表明混沌奇异谱能够提取信噪比较低的特征信号,具有较强的抗噪声干扰能力。通过对Lorenz系统和Duffing系统进行数值验证,证明了混沌奇异谱的稳定性和较强的抗噪声性能。通过混沌奇异谱对轴承振动信号进行分析,验证了该方法诊断轴承故障的有效性。然后,针对故障诊断过程中的模式识别问题,研究了深度信念网络(Deep Belief Network,DBN)分类器方法,结合变分模态分解样本熵提取的特征,利用DBN对轴承故障诊断,仿真实验验证了其分类性能在小样本、标签样本较少时中的优越性。针对轴承复合故障的诊断,提出基于奇异谱分解(Singular Spectrum Decomposition,SSD)和独立成分分析(Independent Component Analysis,ICA)的复合故障诊断方法。SSD算法通过构建一个轨迹矩阵与自适应选择嵌入维数长度,将非平稳信号从高频至低频依次划分为若干个单分量信号得到若干奇异谱分量,选取有价值的奇异谱分量与原观测信号组成新的多通道观测信号,对其进行ICA处理,实现不同故障特征的分离。仿真实验验证了方法的有效性。最后,对滚动轴承故障诊断实验,证明了上述理论方法的有效性和优越性。针对单一故障,利用基于混沌奇异谱和深度信度网络的诊断方法,对10种不同状态的振动信号进行诊断分类,取得很好的诊断效果。针对复合故障,利用SSD和ICA方法对内圈故障和外圈故障的复合故障处理,实现不同故障特征信息的提取,验证了该方法可以诊断轴承的复合故障。