旋转机械是现代工业中的核心设备,由于其结构复杂及运行工况多变,往往导致对其关键部件的故障监测诊断十分困难。近年来基于深度学习算法的智能诊断技术发展迅速,并在旋转机械故障领域得到了发展。基于压缩感知和深度学习理论提出了两种故障特征提取与诊断新方法,并通过齿轮和滚动轴承故障诊断实例验证了算法的有效性。首先,针对振动信号采样率高导致信号分析耗时严重的问题,研究了传统压缩感知在旋转机械振动信号分析领域的应用现状与前景,并将其理论知识与旋转机械故障信号分析相结合,将稀疏表示部分算法应用在故障信号特征提取中对原始振动信号进行特征降维,大大降低了信号提取以及故障分类时的复杂度,为工业应用时实现实时性提供了理论基础。其次,针对深度信念网络模型训练时参数众多、在应用于旋转机械故障特征提取与诊断时调参困难的问题,提出了基于损失阈值的迭代误差方法来防止训练过拟合从而优化模型训练过程。在保证较高准确率的前提下,实现了迭代次数的自适应设置,降低深度信念网络参数设置与调节的难度,当将其应用于旋转机械状态监测时,也提高了故障识别的准确率与效率。然后,针对因工况与结构复杂引起的齿轮故障振动信号难以利用传统特征提取与诊断方法进行准确分类问题,提出了一种基于小波包能量熵和多尺度排列熵的改进深度信念网络的齿轮故障诊断算法。首先采集多工况下的多种故障类型的齿轮振动数据,然后计算其小波包能量熵和多尺度排列熵分布并组成组合特征矩阵,再利用改进的阈值自适应深度信念网络进一步提取故障信号特征并分类。通过该方法对多平台、多工况的齿轮振动数据进行故障诊断时,获得了较高且稳定的诊断准确率,验证了方法的可行性。最后,针对滚动轴承振动数据维度较高的现状,提出了一种基于压缩感知和小波包能量熵的稀疏自编码神经网络故障诊断方法。首先使用压缩感知算法提取原始振动信号的低维观测矩阵,然后求取其小波包能量熵分布构成特征矩阵,并作为稀疏自动编码器神经网络的训练样本和测试样本,通过该方法分别对实验室采集的和美国西储大学公开的轴承振动数据进行诊断,证明在对轴承故障分类时能够在较短时间内得到较好的诊断结果,验证了方法的可行性。