随着物联网和人工智能技术的快速发展,机械设备产生的海量数据推动着故障诊断技术进入了“大数据”时代。对这些数据进行分析、诊断及预测等,已成为保障机械设备顺利安全运行的关键。滚动轴承作为现代机械设备的核心部件,开展轴承故障诊断研究不仅有助于提升故障诊断水平,保障机械设备的健康运行,而且具备很好的研究价值。随着深度学习技术成功应用在轴承故障诊断领域,这种“端到端”的自适应故障诊断方法很好的克服了人工提取特征的弊端。但深度学习模型的直接应用往往不能达到较好的诊断效果。此外,深度学习的模型训练及样本标注都需要大量时间,不适宜轴承故障实时性要求较高的场景。如何改进深度学习模型结构以提升轴承诊断性能,并在此基础上,进一步开展轴承故障诊断实时性的研究均是很有价值的研究课题。因此,本文结合深度学习技术及边缘计算技术主要进行如下研究工作:（1）针对一维卷积神经网络（One-Dimensional Convolutional Neural Network,1DCNN）在处理时序信号时存在着特征丢失的问题,提出了一种二维卷积神经网络（Two-Dimensional Convolutional Neural Network,2DCNN）与极限随机森林回归（Extra Trees Regressor,ETR）相结合的轴承故障诊断方法。首先将采集的时序振动信号重构为灰度图像,然后利用2DCNN自适应提取轴承故障特征后输入ETR中进行训练与测试,并在此基础上采用随机搜索（Random Search,RS）在ETR中找到最优参数组合,从而实现自适应轴承故障智能诊断。将所提方法应用于CUT-2实验平台故障数据的智能诊断,实验结果表明,所提的信号-图像预处理方法够很好保存原始信号的特征,有效的提高模型识别轴承故障能力。通过与传统智能故障诊断方法相比较,验证了所提方法具有出色的诊断精度,并具备很好的鲁棒性和泛化能力。（2）针对当前基于深度学习技术开展的故障诊断研究存在着实时性差的问题,本文提出一种云边协同的滚动轴承快速故障诊断方案。在提出了一个适应轴承故障诊断的云边协同诊断框架基础上,结合一种改进的DSCNN-GAP（Depthwise Separable Convolutional Neural Network And Global Average Pooling）轻量级算法用于该框架开展诊断研究。将云端训练好的普适化模型下发至各个边缘节点处,利用各边缘节点采集到的少量故障样本进行模型参数的个性化微调,随后开展诊断实验。此外,本文创新性的引用多传感器技术,利用DS证据理论（Dempster-Shafer Evidence Theory,DS）对各边缘节点处诊断的结果进行决策融合。经实验验证,该方案在拥有少量样本情况下与传统诊断方法对比,采用云边协同的方式可大幅提高诊断准确率,并节约大量的训练时间,采用DS证据理论对各边缘节点处诊断结果进行决策融合后的结果更佳。利用迁移学习实现云边协同工作,增强了故障诊断算法对个性化应用的适应性和故障诊断的实时性,同时保障了设备端数据的隐私安全性。