滚动轴承作为旋转机械装备的关键元件之一,由于其工况复杂多变,易于出现故障,当其局部出现损伤时,轻则使机械装备的振动出现异常,重则造成机械装备的损毁。因此,开展滚动轴承在线监测及故障诊断方法的研究,对于保障装备的运行安全和可靠性具有重要意义。本文以滚动轴承为研究对象,综合运用图像编码和深度学习开展滚动轴承恒定工况和时变转速工况下的智能故障诊断方法研究,主要包括以下三个方面:（1）针对应用传统卷积神经网络（CNN）进行故障诊断时存在的“过拟合”现象及传统灰度图编码存在的时间信息损失等问题,提出一种基于格拉姆角场（GAF）图像编码方法和迁移深度残差神经网络（TRN）相结合的滚动轴承故障诊断方法。依据GAF方法对时间序列编码映射的唯一性,将原始振动信号编码为格拉姆角差场图（GADF）和格拉姆角和场图（GASF）,并将在Image Net上预训练好的Res Net18模型参数迁移到以GAF作为输入的Res Net18中,进行不同故障模式下GAF的特征提取和分类,继而达到故障诊断的目的。通过开展滚动轴承点蚀故障试验,对所提方法进行验证,分析结果表明,所提方法相比于传统灰度图编码,更能突出不同故障模式的内在特征,与CNN模型相比,提出的方法具有更高的识别精度,达到99.30%,且具有更快的收敛速度和更强的鲁棒性。（2）针对前文所提TRN模型的参数量较大等问题,提出一种基于Ghost-Res Net和RAdam相结合的滚动轴承故障诊断方法。利用Ghost Net里的Ghost卷积模块替换Res Net模型中原有的标准卷积模块,构成Ghost-Res Net模型。以GADF图像作为输入,使用RAdam优化算法训练Ghost-Res Net模型,对GADF图像进行特征提取和分类,最终实现故障诊断。通过与不同优化算法和不同诊断方法对比验证,表明使用RAdam优化算法训练的Ghost-Res Net模型诊断精度更高、收敛更快、鲁棒性更好且具有良好的抗噪性。将所提方法应用于滚动轴承裂纹故障10分类、裂纹与点蚀故障19分类以及圆柱滚子轴承复合故障4分类进行验证,均得到较高的诊断精度,再次验证Ghost-Res Net模型具有良好的泛化能力。（3）针对时变转速工况下的滚动轴承故障诊断困难及诊断模型对硬件要求高的问题的问题,提出一种基于角域重采样、RP图像编码和EMobile Net-v3集成的故障诊断方法。首先通过角域重采样预处理方法,将时变转速工况下的非平稳时域振动信号转化为包含角域故障信息且相对平稳的角域信号,其次利用RP图像表征故障特征,最后利用轻量级网络EMobile Net-v3模型提取RP图像特征和分类,继而实现故障诊断。试验结果表明,RP图像编码方法相比于GAF和MTF图像编码方法,更适合表征变转速工况下不同故障模式相应的故障特征,且最佳阈值百分比为54时,所取得的诊断准确率最高,为99.99%。将所提EMobile Net-v3模型与其他诊断方法相比,诊断精度最高的同时,所需计算成本最小,GPU占用量仅为1.6G。