机载光电吊舱作为重复挂载设备,被广泛地应用于航空侦察、测量定位以及打击效果评估等领域,在机载环境下使用过程中经常面临过载冲击、振动冲击、温度骤变等苛刻条件,会对内部组成单元的工作状态和使用寿命产生影响,增加了使用过程中出现故障的概率。轴承作为光电吊舱核心部件之一,其无故障运行对设备可靠性和稳定性起着关键作用。由于环境和使用条件的限制,及时高效的轴承工作状态监测和故障预测及诊断对于确保光电吊舱的可靠稳定工作状态非常重要。目前常用的方法是定期维护保养过程中的例行检查,基于专家的经验知识进行评估,经常会出现故障诊断不及时或过度维护的局面。本文在系统分析光电吊舱中轴承故障的原因和特征基础上,针对传统诊断方法存在的不足,提出并分析研究了基于声音和振动传感器融合的光电吊舱轴承故障检测方法,将音频和振动信号特征进行特征提取和融合探究在基于传感器融合的条件下轴承的故障诊断方法,为提高光电吊舱的可靠性,降低维护和保养成本提供支持。本文的主要内容如下:1)根据轴承多方面常见问题,研究了滚动体、外圈或内圈故障的原因和特点,针对轴承的故障周期特点选择合适的声音传感器和加速度传感器,并且设计了基于FPGA双AD采样的信号采集系统,采集光电吊舱的声音信号和振动信号。2)对于采集到的的信号进行了数据分析,说明了采取时频分析的重要性。然后基于采集信号进行了预处理,利用三种方法展开对轴承声音信号和振动信号的分析,并通过对比最终选择FFT和小波包变换作为轴承信号的预处理方法。3)针对大量信号处理问题,提出了融合型卷积神经网络（融合CNN）的特征提取方法,将声音信号通过傅里叶变换输入一维卷积神经网络（1DCNN）,振动信号通过小波包变换输入二维卷积神经网络（2DCNN）,通过确定适合的卷积神经网络参数,实现了不同传感器信息的特征提取和融合。4)针对故障分类问题,以融合CNN为基础并结合模糊分类的方法,可以实现对两个传感器采集的轴承信号进行特征提取和融合,得到两个传感器对应的决策值,并通过对模糊集的推理得到全局决策,最终得到轴承信号的分类结果。