滚动轴承是现代旋转设备中最核心的零部件之一,其故障易导致严重的经济损失甚至技术人员伤亡。因此,对轴承健康状态进行故障诊断是维持旋转设备安全平稳运转不可或缺的一环。然而,传统数据驱动的故障诊断方法因对专业背景知识要求高且难以保证通用性,已无法满足大数据时代下轴承故障智能诊断要求。伴随信息技术的飞速发展,深度学习具备强大的特征提取和表征学习能力,能够充分利用海量运维信号自动挖掘故障敏感特征,为实现轴承故障智能诊断提供了可能。为此,本文开展基于深度学习的端到端轴承故障智能诊断方法的研究,主要研究内容如下:（1）针对传统数据驱动方法注重于人为特征选择而缺乏自适应的问题,提出基于卷积神经网络的轴承故障诊断方法。该方法首先采用数据升维预处理操作将原始振动信号转换为二维图像,随后利用卷积神经网络强大特征提取能力自适应地提取振动信号中故障敏感特征,以交叉熵作为代价函数,采用Adam优化算法动态调整网络模型参数,实现了端到端的轴承故障智能诊断。利用西储大学轴承数据集验证所提方法的可行性。（2）针对卷积神经网络难以捕捉轴承故障演变过程中时序信息的问题,提出基于改进卷积双向门控循环网络的轴承故障诊断方法。该方法集成CNN和Bi-GRU以具备空间和时间上的特征表达能力,充分挖掘轴承故障演化信息,通过引入通道注意力机制对故障分类有效区域赋予更大的权重,提升模型故障诊断能力。两个轴承数据集上的实验证明了所提方法故障诊断的有效性,并通过消融实验证明了模型结构设计的合理性。（3）针对不同负载工况下轴承运维数据存在分布差异且获取带标签数据难的问题,提出基于领域双重对抗网络的跨工况轴承故障诊断方法。通过引入双重对抗机制,使模型不仅能自动从源工况和目标工况中提取到领域不变故障敏感特征,还可降低同一故障类型错误归类问题,提升模型的跨工况轴承故障诊断准确率。运用不同工况下的轴承数据进行实验,以证明所提方法的可行性,并利用消融实验证明了对抗算法设计的合理性。