随着工业数控机床、航空发动机等大型机械设备朝着高精度化、高智能化方向飞速发展,对设备进行健康管理,保证设备安全稳定地工作是极其重要的任务。轴承作为机械设备的关键零部件,其性能将直接决定设备的健康状况。对轴承剩余寿命进行预测,可为设备维修计划提供有效的决策支持,从而避免产生安全事故,这对机械设备的健康管理具有十分重要的意义。目前,信号处理方法和数据驱动方法广泛应用于轴承寿命预测。然而,机械设备长期处在强噪声背景下,其特征信号提取比较困难,传统回归预测精度较低。并且在新工况情况下,数据量少以及模型泛化性能差,为寿命预测带来困难。针对上述问题,本文针对轴承剩余使用寿命预测问题进行了探究,主要工作内容如下:（1）针对实际工况中传统预测方法受轴承信号噪声影响,导致预测精度受限的问题,提出了基于IPVMD-LSTM模型的轴承剩余寿命方法。本文提出的IPVMDLSTM模型,充分考虑轴承循环平稳性和脉冲性的特点,构建了合成指标,以此作为目标函数,通过PSO对VMD进行参数寻优,从而达到了更好的降噪效果,综合性能提升5.83%。同时充分考虑实际工况数据时序性特点,通过长短期记忆网络LSTM提取时序特征进行预测。实验结果显示,本文的IPVMD-LSTM方法在预测精度上有明显提升,其RMSE相较于传统方法降低了2.81%。（2）针对新工况数据量少以及数据特征分布不一致的问题,提出了一种结合MMD和CORAL的多源域迁移（MC-MDA-LSTM）寿命预测模型。本文提出的MC-MDA-LSTM模型通过将已有的多种工况作为多个源域,设计域共享特征提取LSTM网络,并为每个源领域设定特定的特征提取网络,结合MMD和CORAL度量数据分布差异的优点,通过对抗学习的方式对源域和目标域进行领域适配,将两者间的分布进行拉近,从而更好地提取域不变特征。对比传统迁移方法,MAPE和RMSE分别降低了1.67%和2.06%。（3）设计并实现了轴承寿命预测软件。通过Spring Boot和Vue.js搭建软件前后端,进行了需求分析、架构设计、软件测试。该软件提供了可交互可视化界面,便于相关人员进行算法测试和模型训练,大幅提高开发工作效率,并对数据和模型管理提供技术支持,具有较大的使用价值。