轴承作为机械设备传动系统中的关键部件,由于其运行环境复杂多变,一旦发生故障或寿命终结将会造成安全事故和经济损失。因此,轴承的健康状态对机械设备的运行有着直接的影响。对轴承进行健康监测研究不仅能充分利用轴承、减少浪费,还能降低维修开销,防范安全隐患。本文根据滚动轴承的工作原理,结合深度学习技术,对轴承健康监测开展研究,具体对滚动轴承故障诊断与滚动轴承剩余寿命预测进行研究。主要研究工作如下:在故障诊断部分,针对现有基于深度学习的滚动轴承故障诊断方法不适于小样本数据且计算开销大的问题,提出一种基于深度梯度下降森林模型DSGDF（Deep Stochastic Gradient Descent Forest）的轴承故障诊断方法。该方法基于深度森林模型DF（Deep Forest）,并在多粒度数据扫描、每个级联层的决策树森林中引入随机梯度下降算法,形成新的随机梯度下降决策树森林DTF+SGD（Decision Tree Forest with Stochastic Gradient Descent）,替换随机森林RF（Random Forest）,提高模型的收敛速度。在凯斯西储大学轴承数据集上的实验结果表明,深度梯度下降森林模型DSGDF平均诊断正确率达99%以上。相比经典深度森林模型DF其收敛速度更快,相比其他基于神经网络的深度学习模型其计算开销更小。在剩余寿命预测部分,针对现有基于深度学习的滚动轴承剩余寿命预测方法不适于小样本数据、计算开销大且忽略时序特征信息的问题,提出一种长短期记忆网络LSTM（Long Short-Term Memory）为前端提取时序特征,改进的深度森林DF（Deep Forest）为后端进行预测的长短期记忆深度森林模型LSTM-DF（Long Short-Term Memory Deep Forest）的滚动轴承剩余寿命预测方法。在西安交通大学滚动轴承数据集与FEMTO-ST滚动轴承数据集上的实验结果表明,长短期记忆深度森林模型LSTM-DF的泛化性能好,不仅可以进行小样本数据预测、兼顾样本数据的时序信息,而且具有较低的预测误差。相比其他基于深度学习的预测模型其计算开销更小。