随着风力发电产业的不断发展,故障诊断对于保证整个风电机组系统的可靠运行非常重要。滚动轴承作为风电机组中最容易出现故障的组件之一,有效的滚动轴承故障诊断方法可以保证风电机组安全稳定运行。传统诊断方法主要依靠人工经验和故障诊断专业知识,不利于风电机组的自动化故障检测。另外风电机组滚动轴承的运行工况以及运行环境复杂多变,依靠人工故障诊断将更加困难。本文以滚动轴承作为研究对象,以采集的振动数据信号和深度学习理论为基础,以高噪声和变工况条件下的滚动轴承故障诊断为目标,构建了两种深度学习神经网络模型分别用于两种不同条件下的滚动轴承故障诊断。主要研究内容如下:（1）针对许多高噪声条件下滚动轴承故障诊断模型准确率较低和性能不稳定的问题,本文提出了一种稳定抗噪声滚动轴承故障诊断神经网络SAFDNN。SAFDNN采用原始振动数据作为输入,首先通过卷积神经网络进行数据特征提取,然后利用双向长短期记忆充分提取数据信号的序列特征,接着添加注意力机制对所提取的特征进行预处理以自动关注每种数据信号的相关信息,提高模型的诊断性能,最后通过全连接层和Softmax层进行特征分类。通过在凯斯西储大学公开轴承数据集上的实验结果表明,SAFDNN在添加不同强度大小的额外噪声时均能够保持较高的故障识别准确率和较好的诊断效果稳定性。（2）针对高噪声条件下变工况滚动轴承故障诊断,许多模型会受到噪声的干扰导致特征提取困难,并且由于高强度噪声信号可能会使训练集和测试集特征差异缩小,从而造成特征误检引起误诊断的现象,本文提出了一种基于CNN-LSTM双通道特征融合的滚动轴承故障诊断方法CL-DCFF-FD。CL-DCFF-FD采用原始振动数据信号作为输入,首先通过两个不同的CNN-LSTM通道对数据信号进行特征提取,然后通过两个特征融合操作将提取的特征进行组合,再使用全局注意力机制对融合特征进行预处理,最后通过全连接层Softmax函数对预处理的特征进行分类输出。通过在凯斯西储大学和帕德博恩大学公开轴承数据集上的实验结果显示,CL-DCFF-FD不仅能够在额外噪声条件下获得较高的故障识别准确率,而且在额外噪声条件下的变工况滚动轴承故障诊断也有着较好的效果,解决了由于特征误检导致的误诊断现象。（3）针对前文的研究,通过Python中的Tkinter库,开发了滚动轴承故障数据分析与故障诊断平台。该平台在结构上主要分为用户注册登录、数据文件读取、数据信号分析以及智能故障诊断四大模块,分别实现用户注册登录、数据文件读取显示、数据信号时频域分析、训练,验证和测试结果以及故障类型显示的功能。