在现代工业飞速发展的过程中,机械设备的安全性以及可靠性显得尤为重要。滚动轴承作为旋转机械的重要组成部分,其健康好坏直接影响着机械设备的安全运行,所以对于滚动轴承的性能退化预测研究有着重大的意义。本文以滚动轴承为研究对象,提出了基于磷虾群(Krill Herd,KH)算法参数优化混合核函数支持向量回归机(Hybrid Kernel Function-Support Vector Regression,HKF-SVR)模型和深度置信网络与极限学习机(Deep Belief Network-Extreme Learning Machine,DBN-ELM)融合模型的滚动轴承性能退化预测方法研究。首先,利用核函数特征矩阵联合近似对角化(Kernel Joint Approximate Diagonalization of Eigen-matrices,KJADE)和两类模型相结合的方法提取滚动轴承性能退化指标。然后针对传统的支持向量回归机(Support Vector Regression,SVR)参数的不确定性以及预测精度不够,而且由于滚动轴承的退化过程是一个非线性复杂的过程,原始单一的核函数支持向量回归机不能有效的实现滚动轴承退化的评估。因此,本文提出了一种HKF-SVR滚动轴承性能退化预测方法,使用KH对HKF-SVR模型的参数进行寻优,最后使用优化的模型进行滚动轴承的性能退化预测。实验结果表明,该方法在滚动轴承性能退化预测中与传统的SVR、BPNN和ELM方法相比精度得到提升。其次,研究了基于DBN-ELM融合模型的方法实现滚动轴承的性能退化预测方法。针对DBN有从原始数据中提取特征的强大能力和ELM具有学习速度快和泛化性能好等特点,提出了结合DBN与ELM两个算法优点的滚动轴承性能退化预测的方法。将DBN作为特征提取器,对轴承原始的性能退化指标进行训练,提取可表征滚动轴承性能退化状态的敏感特征,再将敏感特征输入到ELM模型中进行训练并对滚动轴承性能退化进行预测。将实验结果分别与单一的DBN和ELM方法的结果对比分析,结果表明本文提出的方法相比较其它两种方法效果更好。本文研究滚动轴承振动的数据是来自于Cincinnati University智能维护系统中心以及本实验室的滚动轴承疲劳试验数据,用两种数据分别来验证了本文提出的两种方法的有效性。实验结果表明,本文提出的两种方法在滚动轴承性能退化预测中有效性和优越性,并较其它方法预测精度更高,可用于滚动轴承的退化趋势预测,为滚动轴承寿命预测以及设备的维护提供了借鉴作用。