滚动轴承主要的作用是用于承担和传递机械内部结构相互作用时产生的交变载荷,是机械设备中最为重要的零部件之一。在实际的工况中,由于轴承在运转的过程中,各零部件之间复杂的动态特性,以及还有装配和配合等外在因素的存在,使得它非常容易出现侵蚀和磨损等损伤,使其可靠性大大降低,这在一定程度上会对系统的精度和可靠性造成影响。因滚动轴承缺陷或故障导致机械设备转轴振动不平衡的情况时有发生,甚至还会有破坏旋转轴的事故发生。在严重的情况下,有可能会发生灾难性伤亡事故。如果能准确的预测其剩余使用寿命对其做出合理的维护保养计划和正确的预防性维修决策会具有很大的现实意义。因此,本文通过对滚动轴承的RUL预测方法进行研究,提出一种改进的卷积神经网络（CNN）结合双向长短时记忆神经网络（BiLSTM）的滚动轴承剩余寿命预测方法。首先,滚动轴承所采集的数据为时域信号,数据集中横轴为时间序列,纵轴为轴承振动的幅值,所反映的是滚动轴承在旋转的过程中振动幅值随时间的变化规律。通过快速傅里叶变换将振动时域信号转换为频域幅值,在频域上包含了更多有效信息,能更快速的得到轴承的故障信息。因此能选择性地过滤干扰信息,实现对数据特征进行快速有效的提取。此外,考虑到快速傅里叶变换具有对称结构,为了降低计算复杂度,只取前一半幅值信号进行后续的信号处理和模型训练。其次,基于CNN的局部特性用于深层特征挖掘,将其作为BiLSTM网络的输入进行特征数据的进一步处理,并根据轴承两个方向数据标准差之和,经网络输出构建了趋势性量化健康指标。随后,通过MA平滑和曲线拟合对模型数据进行处理来预测性能退化趋势,并构建评估模型用于评估滚动轴承剩余使用寿命预测的效果。通过实验验证构建的健康指标能有效的应用于轴承退化状态评估。最后,提出一种新的神经网络——改进的CNN-BiLSTM网络,该网络利用注意力机制可以通过忽略或者剔除掉与目标问题无关的信息从而快速提取稀疏数据,以及自注意力机制可以减少外部信息依赖,再结合BiLSTM层提取了原始数据信号的全局特征,并根据轴承两个方向数据标准差之和,自主构建趋势性量化健康指标,同时确定失效阈值。之后构建基于Scoring函数和RMSE评估模型并应用于滚动轴承剩余使用寿命预测性能的评估。最后将其与其他4种深度学习方法,即LSTM神经网络、CNN-LSTM神经网络、BiLSTM神经网络和CNN-BiLSTM神经网络所得的预测结果进行了对比,验证了所提出的改进的CNN-BiLSTM神经网络模型的有效性。