旋转机械是现代社会应用广泛的机械设备。随着科技发展,旋转机械设备转速不断提高、结构愈发复杂且趋于大型化,同时处于长时间、高负荷的运行状态,其结构稳定性逐渐引起人们重视。螺栓作为旋转机械关键的紧固件,一旦产生松动,将影响整个设备运行甚至出现安全事故。因此,对旋转机械螺栓松动进行有效检测具有重要意义。随着大数据时代的来临,基于数据驱动型的螺栓松动检测方法逐步应用广泛。振动信号常用在螺栓松动检测当中,振动信号幅值变化、频谱结构差异可有效反映旋转机械螺栓松动程度状态。因而本文以旋转机械螺栓为主要研究对象,通过振动信号开展旋转机械螺栓松动智能检测方法研究,着重围绕松动特征提取、噪声干扰下的螺栓松动检测、深度学习网络参数优化、工程实际应用方面展开研究。主要内容如下:1)为精细化表征旋转机械螺栓松动状态特征,实现对旋转机械螺栓松动的智能检测,提出多尺度一维卷积神经网络的旋转机械螺栓松动智能检测方法。首先,以设备运行时一维振动时域信号作为多尺度一维卷积神经网络的输入,摆脱对信号处理和专业知识的依赖,并最大程度保留原始信号特征;然后,通过交替的多尺度卷积层和池化层对时域信号特征进行学习,避免单一尺度卷积核对不同精细度特征的忽略,增强网络对特征的表达能力,实现对时域信号特征精细化分布式表征;最后,借助Softmax多分类器输出旋转机械螺栓松动检测结果,实现旋转机械螺栓松动智能检测。2)针对噪声干扰下旋转机械螺栓松动检测问题,提出多尺度一维卷积收缩网络的旋转机械螺栓松动智能检测方法。首先,结合不同尺度卷积核特征提取的优势,利用多个不同尺度卷积核对旋转机械运行时一维振动时域信号的不同时间尺度特征进行自动提取和融合,充分展现原始信号多尺度特征;其次,利用高效通道注意力机制自适应调整卷积核进行多尺度卷积后的特征通道交互,并自动学习一组阈值;然后,通过软阈值化将阈值范围内的特征置为0,阈值范围外的特征朝0收缩,实现信号降噪;最后,采用全局平均池化层代替全连接层输出旋转机械螺栓松动检测结果。3)考虑深度学习方法网络参数对网络性能的影响,为在非经验指导下获取网络最优参数,实现旋转机械螺栓松动智能检测,提出粒子群优化多尺度一维卷积神经网络的旋转机械螺栓松动智能检测方法。首先将一维原始振动时域信号划分出训练集、验证集、测试集;然后将多尺度一维卷积神经网络中卷积核数目和尺度参数作为粒子群算法的粒子进行网络训练及验证,将验证精度作为适应度值以更新粒子速度和位置,获取验证精度最大的网络最优参数;最后,输入测试集,输出旋转机械螺栓松动检测结果。4)根据旋转机械螺栓松动检测要求,设计并开发了集信号处理、螺栓松动检测等功能一体的基于深度学习的旋转机械螺栓松动检测系统。该检测系统包含用户与数据库的管理、原始振动信号与样本库管理、信号分析功能（时域分析、频域分析）、常见深度学习算法构建及训练模块、螺栓松动检测模块,可通过深度学习方法便捷实现旋转机械螺栓松动智能检测。