旋转机械设备在国民生产生活中发挥着举足轻重的作用,设备运行过程中若发生故障没有及时修复,将会带来不可估量的损失。故障诊断技术对保证机械设备安全运行具有重要意义,一直都是机械领域的研究热点,最常用的方式是通过分析设备运行过程中的振动信息判断设备健康状态。随着计算机硬件性能的提升,以卷积神经网络和循环神经网络为主体的算法模型取得了前所未有的成就,然而这些基于深度学习的算法模型体量过大,计算资源消耗量大,对硬件设备性能要求高,无法直接应用于计算资源有限的生产环境。本文研究目的旨在设计轻量化的深度学习模型,使其参数量和计算量小到足以运行在嵌入式设备,同时尽可能保持大体量深度学习模型的性能,本文主要工作如下:（1）轻量化深度残差卷积神经网络模型。通过分析卷积操作在模型算法中的作用,使用分离卷积替代传统卷积,在实现同等特征提取能力的同时消耗更少的计算机资源,结合小波包变换时频分析方法,设计了一个轻量化深度残差卷积神经网络模型,简称LDR-CNN。该模型的参数量仅有17.8KB,在公开的CWRU和IMS数据集上的分类准确率达到100%,在对测试数据添加强度为0d B的高斯白噪声情况下,分类测试准确分别达到95.35%和93.89%。（2）低延时循环神经网络模型。在LDR-CNN的实验中,我们发现参数量和计算量并非决定模型实际计算时间的主要因素,通过理论分析和实验结果对比,我们发现网络层数对模型实际计算时间起决定性作用,为了进一步提高模型的计算速度以适应于实时性要求更高的场景,我们设计了一个相对浅层的低延时循环神经网络模型,简称LLRNN,该模型参数量为386KB,在公开的CWRU和IMS数据集上的分类准确率分别达到99.3%和99.8%,在对测试数据添加了强度为0d B的高斯白噪声情况下,分类测试准确分别达到93.63%和91.83%,LLRNN模型比LDR-CNN计算效率高40%。为验证本文两个模型的性能,本文在相同环境下与多篇近年故障诊断领域的研究成果进行实验对比,结果表明LDR-CNN在模型参数量、准确率和抗噪性方面均是最优,而LLRNN的抗噪性和实际计算时间均优于其他深度学习模型。