滚动轴承是机械设备中使用频率最高的机械元件之一,在交通、冶金和航天航空等领域广泛应用。作为机械设备中的核心元部件,滚动轴承的健康状态会对整台机械设备的安全、产能和寿命产生直接的影响。因此,展开对滚动轴承故障诊断的研究对保障机械设备的正常运行具有重要的意义。针对滚动轴承故障诊断的问题,本文将经验小波变换的时频信号处理方法与卷积神经网络的特征提取和分类方法相结合,实现对滚动轴承的智能诊断与识别。主要研究内容如下:首先,针对滚动轴承振动信号具有非平稳、非线性以及提取其特征比较困难的问题,对经验小波变换（EWT）的相关原理进行研究。在此基础上为了证明该方法在信号处理中的性能,针对信号分解中的虚假分量和模态混叠等问题构建相关仿真信号,并引入经验模态分解（EMD）与其进行对比。同时,为了更加直观的展示该方法在滚动轴承故障诊断中的效果,提出了一种基于EWT、奇异值熵和t-SNE相结合的故障诊断方法,并与EMD、奇异值熵和t-SNE相结合的方法进行对比。通过仿真信号和实际诊断的双重对比,展示出经验小波变换方法的优势。其次,针对传统故障诊断在海量数据和无故障机理的情况下无法有效诊断的问题,对卷积神经网络（CNN）的相关原理进行研究。在此基础上设计了一个浅层的卷积神经网络模型,并将SE模块嵌入模型中对卷积神经网络进行改进,使用Dropout和数据增强等手段防止网络出现过拟合问题。将滚动轴承振动信号分别作为改进卷积神经网络和传统卷积神经网络的输入,通过实验结果表明所提出的网络模型相比于传统网络模型,其准确率和训练速度都得到一定程度的提高。最后,针对浅层卷积神经网络特征提取能力不足的问题,提出了一种基于经验小波变换和深度卷积神经网络的智能识别方法。采用经验小波变换对轴承振动信号进行分解,利用分解得到的固有模态分量构建多通道样本并创建数据集。根据感受野思想对所提出的浅层网络模型进行改进与加深,并引入批量归一化来提升网络训练速度,降低训练数据的大小和分布对模型的影响。使用深度卷积神经网络模型对所创建的数据集进行诊断与识别,同时分析所提出方法中各参数对实验结果的影响。通过实验结果表明该方法在实现较高故障识别准确率的同时,也具有良好的泛化性能。