在工业生产中,为了防止机械设备突发故障停机而导致巨大损失,需要及时获取机械设备的健康状态信息以制定运行维修计划。近年来,众多学者对基于数据驱动的故障诊断与故障预测进行了广泛地研究。然而,现有方法在实际应用中仍存在诸多挑战:实际中,正常状态的样本要远远多于异常状态,类别不平衡极易导致诊断模型难以训练,泛化性能差;基于传统卷积神经网络的故障预测方法无法提取多尺度特征,也无法实现多源传感器时序信息的融合;现有智能方法为获取机械设备的故障信息和退化信息,均需单独训练模型来实现故障诊断或故障预测,不仅大大增加了开发和部署成本,也使得智能运维的实用性降低。为解决上述挑战与不足,论文主要完成了以下工作:（1）首先,为了解决故障诊断中类别不均衡导致智能模型难以训练、泛化性能差的问题,提出一种基于改进Focal loss的类别不均衡故障诊断方法,引入类别权重、样本权重和L2正则化,使得模型不过拟合至样本量多的类别。通过轴承类别不均衡故障诊断实验,验证了所提方法在多种不平衡情况下均具有较优的准确性和泛化性。（2）建立一种基于多源时序信息融合的故障预测模型,将多源传感器的原始信号作为输入,利用多尺度卷积（Multi-scale Convolution,MSC）特征提取器提取深层的多尺度特征并进行多源时序信息的融合,再利用长短时记忆网络（Long Short-term Memory Network,LSTM）实现预测。通过铣削刀具的磨损量预测实验,验证了所提方法相较传统方法具有更好的预测性能。（3）在前述工作的基础上,提出一种基于多任务学习的故障诊断与预测方法,利用多任务学习的知识共享机制,通过端到端的有监督联合训练同时实现了故障诊断和寿命预测。相较于传统的单任务方法,所提方法只需训练和部署一个模型即可同时得到故障信息和寿命信息,更能满足工业实际应用需求。最终,由轴承全寿命退化实验数据集测试并验证了该方法能准确地诊断故障类别和预测剩余使用寿命（Remaining Useful Life,RUL）,具有优异的准确性和泛化性。所提方法能同时实现机械设备的故障诊断与预测,可为运行维护提供重要的综合决策依据,具有较强的实际使用价值。