随着现代机械设备的快速发展带来的巨大机遇和挑战,机械故障诊断技术也正朝着智能化蓬勃发展。滚动轴承作为旋转机械的易损的重要零部件,其故障的复杂性、多变性、不确定性导致其故障诊断需求尤为突出。深度学习技术引发的人工智能热潮席卷了包括故障诊断领域在内的诸多研究领域。基于深度学习的故障诊断方法已经在很多方面取得了比传统方法更好的效果,在处理大数据、多源异构数据方面的能力更是有得天独厚的优势。因此滚动轴承故障诊断技术从侧重研究信号处理的知识驱动方法,正逐渐过渡至侧重研究数据智能学习的数据驱动方法。但是深度学习在滚动轴承故障诊断领域的研究发展仍显不足,严重滞后于其他应用领域。本文基于滚动轴承多个故障位置、不同损伤状态的振动加速度信号数据样本,构建深度学习模型进行训练学习及智能分类,以达到诊断故障的效果。数据来源包括两类,分别是凯斯西储大学电气工程实验室台架试验数据和机车线路实测服役数据,包括正常运行,以及外圈、内圈、滚子不同轻重程度的故障等共七种状态。设计实现了两种深度学习模型,并通过实验对比分析了不同方法的准确率。首先,提出一种使用LSTM作为基础的模型,LSTM是循环神经网络的变体,是处理振动信号这类时间序列问题最自然的方式。网络中混合DNN来增强网络的非线性特征映射能力,引入批标准化层解决网络“梯度弥散”,并设计随机搜索算法自动优化超参数。直接利用原始数据进行训练和测试,避免因提取特征值造成原始信息的缺失。多种实验条件下,均可达到99.8%以上的准确度。随后,设计实现一种基于FDCNN概念的模型,卷积网络的不变性能够很好的处理多样性、异构性突出的振动信号。使用振动信号的傅里叶变换频谱图像作为输入,对上述7类故障的不同转速、不同来源、不同量纲数据进行精确诊断。对于现有的多样、多源、异构的数据,诊断准确率高达100%。其他机器学习诊断方法相比,本文提出的深度学习模型具有更高的识别准确度和分辨率。对多样、多源、异构的故障数据的有效诊断也说明了其泛化能力较强。最后,设计实现改进CDCGAN模型,实现从已知数据的单一故障和部分复合故障样本,训练网络来生成未知数据的指定类别复合故障样本,证明了单一故障在隐空间内的线性叠加可产生复合故障。分析复合故障样本生成条件,设计数据正交化滤波器以满足生成条件,针对复合故障设计带条件的图像生成方法,具体实现生成器与判别器的模型结构的构建,采用改进FDCNN模型对数据进行分类,证明生成样本的优势。