电机作为现代工业生产活动的主要驱动设备,一旦出现故障将会带来严重的后果。在电机故障中,轴承是故障发生频率最高的部件,传统的故障诊断方法已经难以满足现代自动化诊断的要求,针对电机轴承发展先进的智能诊断技术具有重要的工程意义。深度学习在电机轴承的智能故障诊断领域发展迅猛,能自动从大量数据中提取相关的特征并进行识别,降低了对专业技术人员的依赖,并且深度学习比传统方法的故障诊断精度更高。本文针对电机轴承故障诊断问题,结合深度学习技术,设计了基于长短时记忆网络的电机轴承故障诊断模型,主要内容如下:由于长短时记忆网络（LSTM,Long Short-Term Memory）在处理时间序列数据上的优点,结合所采用的电机轴承故障数据样本的特点,提出了一种基于LSTM的电机轴承故障诊断方法。该方法将电机轴承的原始时域信号直接作为模型的输入,避免了复杂的特征提取过程,能够自动学习数据间的特征信息。实验结果表明该方法在电机轴承故障诊断中的准确率和鲁棒性均有所提高。在基于LSTM模型的电机轴承故障诊断模型中,对同一部位不同损伤程度的故障识别会存在一定概率的误判,而且网络模型中具有较多的超参数调整。针对这些问题,提出一种基于贝叶斯优化的卷积长短时记忆网络（BO-CLSTM）电机轴承故障诊断算法。该算法结合了贝叶斯优化算法（Bayesian Optimization,BO）、长短时记忆网络（LSTM）和卷积神经网络（Convolutional Neural Networks,CNN）的卷积层,省去了手动调整超参数的巨大工作量,相比LSTM模型在诊断精度方面也更加出色,实现了真正端到端的电机轴承故障诊断。针对噪声信号对模型诊断结果的影响,提出基于PCA-BiLSTM模型的电机轴承故障诊断方法。利用主成分分析算法（Principal Component Analysis,PCA）算法提取数据中的主要特征,减少数据中的冗余信息,降低噪声的干扰,通过双向长短时记忆网络（Bidirectional Long Short-Term Memory,BiLSTM）进行分类识别,来诊断轴承的故障状态。实验分析证明,在噪声的干扰下,PCA-BiLSTM模型仍然可以维持较高的准确率,具有较好的鲁棒性。