随着目前大数据与人工智能技术的快速发展,传统机械制造业的逐渐转型是必然趋势。轴承作为旋转机械设备中最为典型的部件之一,它的运行状态对旋转机械设备的正常运行至关重要。因此,开展轴承的故障诊断研究具有重要的理论和实际意义。传统的轴承故障诊断研究大多是基于振动信号进行时频域特征提取来完成诊断任务,而在实际的工厂车间中,因存在高腐蚀和高温等恶劣环境,导致仅通过接触式采集的振动信号不能满足轴承的故障诊断需求。基于此问题,通过麦克风等非接触式采集的声音信号与振动信号互为补充,共同反应轴承的工作状态。另外,在轴承故障诊断中,大多数的研究都是基于单信号源和单模型,而如何在多信号源的条件下通过多模型融合来实现轴承故障诊断也是本文的研究内容。本文的主要研究工作如下:（1）针对滚动轴承故障振动信号具有非线性和非平稳性的问题,本文提出了一种自适应的一维卷积神经网络（1-Dimensional Convolutional Neural Network,1-DCNN）和长短时记忆网络（Long and Short-Term Memory Network,LSTM）融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道;然后通过维度拼接方式进行空间和时间维度上特征信息的融合;最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了“端到端”的故障诊断。采用CUT-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析。结果表明,该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的泛化性和鲁棒性。（2）在轴承故障诊断任务中,针对单一振动信号源因设备环境等影响无法全面反映轴承工作状态的问题,本文提出了一种基于多通道卷积神经网络（Multi-Channel Convolutional Neural Network,MCNN）和注意力机制（Attention Mechanism）融合的声振信号联合分析的“端到端”轴承故障诊断方法。该方法通过布置不同方位的振动传感器和声音传感器采集轴承故障信息。首先借助卷积神经网络强大的自学习能力自适应的同时提取各个振动和声音传感器的故障特征信息;其次利用注意力机制自适应的分配各通道的特征权重,并融合故障特征信息;最后,采用多分类函数对轴承的各类故障进行识别,实现轴承的故障诊断任务。利用CUT-2实验平台故障数据验证该方法的有效性,实验结果表明,该模型在不同负载条件的不同转速下均具有较高的故障识别率,且相比于单一传感器的诊断精度,本文所提方法具有较高的故障诊断准确率。