旋转机械正在以精密、高速、高效、集成的发展趋势向前发展。轴承是旋转机械的重要组成部分,轴承的运行状态正常与否直接影响整台机械的运行。因此,针对轴承的故障诊断的研究是十分必要的。随着轴承的监测数量的增多及采样频率的增加,轴承的健康检测已进入“大数据”时代。传统的专家诊断模型处理大数据困难且效率低,已不能适应这个时代。深度学习方法可以自动学习数据的内部特征实现准确的分类结果。但目前的深度网络模型对于均衡样本可以获得较高的诊断精准确度,对于非均衡样本分类效果变差。本文主要基于深度自编码器(Deep Auto-Encoder,DAE),针对轴承振动信号数据预处理、非均衡数据条件下特征提取和故障分类算法进行研究,主要研究内容如下:(1)针对轴承数据中的噪声,提出了一种改进小波阈值函数结合人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化阈值的模型。通过非平稳测试信号和凯斯西储大学(Case Western Reserve University,CWRU)的轴承数据集,验证了该方法的优越性和实用性。从最终的降噪结果来看,该方法的降噪效果优于现有的其他降噪方法。该方法的信噪比比其它方法高13%～16%。均方根误差比其他方法低10%～41%。(2)采用改进的小波阈值函数结合DAE对强噪声环境下的轴承数据进行故障诊断。通过改进阈值函数对噪声数据进行去噪,再用小波包变换提取去噪数据的小波包能量,最后通过DAE得到故障的分类结果。通过在CWRU轴承数据集上的实验表明,该模型能够在强噪声背景下得到较为准确的分类结果。(3)针对轴承数据中的样本非均衡问题,提出在DAE的损失函数中引入控制权重系数。根据各类别样本的数量调整权重系数,样本数量越少,系数越大,使得模型在训练时更专注于数量较少的样本。由于深度模型在训练过程中存在协变量偏移问题,降低了模型训练速度,使得饱和非线性的模型难以训练。基于此,大多数的深度学习模型都会采用BN(Batch Normalization)层来加速模型训练以及提升模型效果,但BN层在训练过程中严重依赖batch size,导致训练集与测试集诊断结果不一致。因此提出了将FRN(Filter Response Normalization)层添加到DAE模型中,组成深度滤波器响应归一化自编码器(Deep filter response normalized Auto-encoder,Dfrn AE)。通过在均衡数据集和非均衡数据集上的两个实验表明,该模型优于现有的深度学习模型。