滚动轴承是旋转器械的关键组成部分,它的状态直接决定了整个旋转机械的运行状况。一旦故障发生,将会造成重大的事故,带来极大经济损失,更有可能引发安全危机。因此准确且及时的诊断出轴承的问题显得尤为重要。传统的基于浅层网络学习的故障诊断方法依赖于人工经验进行手动的滤波、特征提取、特征选择等操作,这些过程复杂且繁琐,缺乏智能性,同时轴承的工作环境复杂多样,面对复杂的环境和“海量”的数据,这些方法提取能力有限无法实现泛化。因此,在复杂工况下实现端对端的轴承故障诊断研究有着非常重要的现实意义。近些年,随着计算机软、硬件的不断提升,计算机数据处理能力不断增强,深度学习逐渐走入人们的视野。深度学习具有强大的数据处理能力,能够自适应的从滚动轴承振动信号中获取出特征信息,在摆脱了对于人工经验依赖的同时,可以实现将原始信号输入、诊断结果输出的端对端故障诊断模式。本文以旋转机械的关键部位滚动轴承作为研究对象,以高噪声环境为主要研究背景,进行卷积神经网络的算法研究,并提出了3个轴承故障诊断模型,在实现了端对端轴承故障诊断的同时验证了这些方法的准确率与优越性。本文的主要研究内容如下:（1）为了实现端对端的轴承故障诊断,考虑到卷积神经网络强大的特征提取能力,能够避免对人工手动特征提取的依赖。同时考虑到滚动轴承振动信号是一种时间序列信号,而循环神经网络具有提取时间相关序列的能力,提出一种卷积神经网络与循环神经网络相结合的轴承故障诊断方法。该方法通过一维卷积神经网络进行特征提取,然后将特征信号输入到双向门控循环单元中学习时序信息,最后由Softmax分类函数进行分类。该方法采用开源数据集进行了故障诊断实验,验证了该方法的有效性与准确性,并较为系统地分析了激活函数,优化算法以及网络结构对模型故障诊断准确率的影响。（2）为了进一步提升模型的诊断准确率并减少模型中参数的数量,考虑到分类函数无法进一步提升诊断的准确率,以及全连接层会产生大量的参数。提出一种卷积神经网络与支持向量机相结合的轴承故障诊断方法。该方法是对上一个方法的改进,采用全局均值池化层替换全连接层以减少模型中参数数量,并引入支持向量机对提取出的特征进行分类,进一步提升诊断准确率。在开源数据集与噪声环境下对该模型进行了实验,验证了该方法有着更少的参数,更高的准确率以及更好的抗噪性。（3）为了进一步提升模型的特征提取能力,增强模型的抗噪性,考虑到单通道卷积神经网络无法对原始振动信号进行更为全面的特征提取,以及常用的正则化方法dropout无法对卷积层进行有效的正则化。提出一种多尺度卷积神经网络与支持向量机相结合的轴承故障诊断方法。该方法采用3通道的卷积神经网络对原始振动信号进行特征提取,并采用dropblock正则化方法对卷积层进行有效的正则化,然后通过双向门控循环单元进行时间序列信息的进一步学习,最后由非线性支持向量机进行故障分类。该方法在开源数据集、高噪声环境以及变工况条件下进行了实验,验证了该方法有着更高的准确率,更优秀的抗噪能力以及更广的适用范围。综上所述,本文所采用的基于卷积神经网络的轴承故障诊断方法可以实现端对端的轴承故障诊断,无需人工进行滤波、特征提取、特征选择等操作,并且有着高准确率、高抗噪性和高适用性。