滚动轴承作为机械设备的关键部件之一,其工作状态和性能直接影响着机械设备的正常工作和安全运行。如果不能及时预测滚动轴承的健康状况或损坏情况,不仅会影响机械设备维修和更换计划的制定,还容易造成严重的经济损失,甚至发生安全事故。因此,对滚动轴承性能退化趋势进行准确地预测有助于工程人员合理制定轴承的维护策略和更换计划,以保障机械设备的安全服役,提高经济效益。本文的研究方法属于数据驱动方法,研究内容主要为:从数据处理到建立退化指标,进而构建有效深度学习模型进行滚动轴承退化趋势预测。主要研究内容如下:（1）针对滚动轴承原始振动信号中存在噪声干扰,影响指标的构建。利用自寻优多分辨奇异值分解（Multi-resolution singular value decomposition,MRSVD）方法对滚动轴承原始振动数据进行处理,分解得到包含退化信息的近似信号和包含大量噪声信息的细节信号,以指标评估准则中的单调性作为各分解层数对应均方根特征的评价标准,确定最优分解层数,以建立合适的退化指标。利用仿真实验验证对比,证明所提方法的优势性。（2）针对单一特征建立指标的方式信息丢失较多,以致对轴承运行状态反映不足,以及各特征对滚动轴承退化过程所表现出的不同敏感度。首先利用MRSVD最优分解层数对滚动轴承振动数据进行处理,得到近似信号对其中数据样本进行特征提取,具体包括:时域统计特征和频域统计特征、能量、谱熵共56个特征量,并根据退化指标评估准则对这些特征进行筛选,选择出单调性好、相关性高的混合域敏感特征集。然后将筛选后的特征集标准化,利用主成分分析法对特征集进行降维,建立滚动轴承性能退化指标。通过实验数据验证了该方法的可行性和有效性。（3）针对滚动轴承退化趋势准确有效预测问题,提出一种混合深度网络的滚动轴承退化趋势预测方法。首先,由性能退化指标和三倍标准差法定位滚动轴承快速退化时刻。然后将经多分辨奇异值分解方法处理后、在混合域提取并筛选出的敏感特征集分为训练样本和测试样本。最后构建注意力卷积神经网络和双向长短时记忆网络一体化的混合深度网络,利用注意力卷积神经网络学习多维特征集的特征相关性,对退化特征充分自提取和表达,结合双向长短时记忆网络充分利用上下文信息的优点获取更准确有效的滚动轴承退化趋势预测结果。文章最后对本文所做工作进行总结,并且展望了下一步的研究。