针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明：相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。

针对损伤保持架振动信号的无冲击特性、非平稳性和故障特征难以提取的问题,提出了基于改进小波包系数熵的损伤程度识别方法。用小波包分解保持架损伤信号获得小波包系数并求小波包系数熵,将小波包系数熵作为特征向量输入支持向量机（SVM）的来识别保持架损伤程度。为提高小波包系数熵的特征敏感性,对小波包系数矩阵元素值和小波包系数概率分布的区间进行修改。最后对正常轴承、保持架点蚀、保持架裂纹和保持架断裂的振动信号进行实验分析,实验结果表明：修改后的小波包系数和区间能有效避免小波包系数概率分布集中;当等分区间数相同且小于170时,与小波包系数熵与SVM结合的方法相比,该方法对保持架损伤程度的识别率更高。