随着工业自动化水平的提高和传感器技术的发展,复杂旋转机械设备的状态监测越来越受到重视。滚动轴承作为旋转机械最重要的零部件之一,其运行状态对机械设备正常工作乃至操作者的人身安全事关重大。因此,开展滚动轴承的故障诊断研究有很大的现实意义。然而,传统的故障诊断技术特征提取能力不足,很难有效利用海量数据中的深层特征。同时,实际工业生产中,滚动轴承故障数据稀少,数据样本比例不平衡的特点,对依赖数据质量的深度学习算法也提出了挑战。因此,本文开展研究基于集成深度学习的滚动轴承故障诊断技术,主要工作内容如下:（1）提出了改进的Le Net-5模型,解决传统Le Net-5模型训练速度慢,泛化能力差的缺陷。针对一维振动信号特征单一的缺陷,将数据转化为二维图像,输入Le Net-5模型进行分类识别。针对网络模型训练速度和泛化性能两个方面提出改进后的Le Net-5模型。该模型使用Re LU函数替换Sigmoid函数来提高模型的收敛速度,增加两层Dropout层来降低模型在噪声数据集下的过拟合现象。实验结果表明:在含有噪声的轴承数据集下,改进后Le Net-5模型训练速度更快,测试集准确率提高15%。（2）提出了一种基于袋外数据投票的改进Bagging集成学习算法,解决单体学习器泛化能力不足以及Bagging算法传统投票策略表现不佳的情况。传统投票策略仅考虑基学习器的整体性能,忽略了基学习器对各类别分类能力的差异性。改进的投票策略通过计算基学习器在袋外数据下的评价指标,得到所有基学习器对每一个类别的可靠度Rin,作为最终的投票依据。该策略充分利用基学习器间的差异性来提高模型整体的泛化能力,发挥Bagging集成学习算法优势。实验结果表明:在含有噪声的轴承数据集下,改进投票策略的Bagging集成学习算法测试集准确率达到90%。（3）采用WGAN-GP算法对高度不平衡样本集进行增强,以改善实际工业生产中故障样本数量不足的现象。在原本数量平衡的西储大学轴承数据集上构建出高度不平衡的样本集,在此基础上使用传统GAN、WGAN以及WGAN-GP进行故障样本扩充,使用扩充后的样本集训练改进Bagging集成深度学习模型。实验结果表明:WGAN-GP网络在训练速度和训练稳定性上最佳,并且模型在WGAN-GP增强的样本集上测试准确率最高,模型泛化性能得到明显加强。（4）采用主流快速开发框架Django、前端框架Layui以及主流数据库My SQL设计基于B/S架构的滚动轴承故障诊断系统。针对用户管理、轴承数据管理以及轴承故障诊断进行功能模块开发,基本满足了轴承振动数据的故障诊断需求。