轴承运转性能对旋转机械的安全稳定运行至关重要。而印刷机是典型的旋转机械之一,其中印刷机的主要零部件轴承的磨损情况会间接影响印品质量。针对传统故障诊断方法在应对样本数据量较大时效率较低,并且诊断精度易被采集到的信号质量影响等问题,本研究提出了一种量子遗传优化的辅助生成深度置信网络的印刷机轴承故障诊断方法。该方法主要是通过辅助生成算法平衡原始数据集,利用深度置信网络自主提取出样本中隐含的故障特征并进行故障类型识别,之后利用量子遗传算法对模型权值进行自适应优化。具体研究内容如下:针对传统故障诊断方法中对故障信号特征进行分析提取的步骤较为复杂,并且受限于信号处理技术以及专家经验等问题,本文研究了多类别轴承故障使用深度置信网络进行特征提取与故障类型识别的方法。通过深度置信网络的自学习能力对轴承振动信号中的故障特征进行学习,之后分类器利用提取到的故障特征对故障轴承类型实现辨别。使用轴承数据集验证该方法的通用性与有效性,平均诊断精度为91.83%,结果表明该方法具有较高的诊断精度,同时削弱了对人工提取故障特征的需求。针对在应对非均衡数据集时,传统深度置信网络轴承故障诊断方法诊断精度较低的问题,本文研究了一种基于辅助生成深度置信网络的故障诊断方法。该方法通过辅助生成网络依照原始样本分布生成部分样本,进而对非均衡数据集进行补充,提高训练效率与诊断精度。在构造出的非均衡轴承数据集中对其进行验证,实验结果表明该方法相较于传统方法取得了不错的诊断准确率,具有一定研究价值。针对传统深度学习算法对参数选取的要求较高,并且模型参数需通过人为选取进行寻优等问题。在本研究中引入量子遗传算法,提出了基于量子遗传优化的辅助生成深度置信网络的故障诊断方法。该方法可以自适应的选取模型参数,能准确高效的搜索出参数最优解,避免了因参数选取问题而导致诊断精度下降。应用该方法对印刷机芯轴轴承进行故障识别研究,通过现场实验验证本文方法性能的优越性,在非均衡印刷机轴承数据集上的诊断精度可达84.99%。之后根据本文研究模型设计完成一款具有实际应用性的印刷机轴承故障诊断系统软件。