轴承是旋转机械的重要组成部分,轴承故障诊断对保障机械设备安全、稳定运行具有重要意义。论文针对机械故障振动信号非平稳性、非线性等复杂特征,提出一种基于多特征融合及深度信念网络的轴承故障诊断方法。首先,研究了基于双树复小波(Dual-Tree Complex Wavelet Transform,DTCWT)的轴承故障特征提取方法。指出DTCWT具有平移不变性和抑制频率混叠的优良特性,能够对机械振动信号进行有效分解。通过对不同位置损伤的轴承进行故障诊断实验,结合模糊C均值(Fuzzy C-Means,FCM)聚类实现轴承故障诊断,验证该方法提取轴承故障特征的有效性。其次,研究基于MMEMD的轴承故障特征提取方法。针对EMD模态混叠,提出了其改进算法多重屏蔽经验模态分解(Multi-Masking Empirical Mode Decomposition,MMEMD)。并通过仿真实验表明MMEMD能够有效解决EMD模态混叠问题,有利于轴承振动信号分解。结合支持向量机,对轴承正常状态、不同位置和不同程度损伤共10种状态进行故障诊断实验,实现轴承故障诊断,验证该方法提取轴承故障特征的有效性。再次,研究了基于VMD的轴承故障特征提取方法。VMD采用变分框架解决了EMD模态混叠问题,同时能够实现信号滤波,有利于轴承故障特征提取。结合支持向量机对轴承正常状态、不同位置和不同程度损伤共10种状态进行故障诊断实验,实现轴承故障诊断,验证了基于VMD的轴承故障特征提取方法的有效性。然后,针对机械故障模式识别问题,设计了基于深度信念网络(Deep Belief Network,DBN)的小样本分类器。通过对Iris数据集进行分类,验证了其在小样本分类中具有较高的分类准确率和稳定性。将其与VMD样本熵结合用于轴承故障诊断中,对轴承正常状态、不同位置和不同程度损伤共10种状态进行故障诊断实验,验证其在轴承故障诊断模式识别中的有效性。最后,将多特征与DBN结合,进行轴承故障诊断应用。首先对轴承振动信号进行FCM聚类分析,初步确定是否存在故障,并确定少数样本的标签。然后提取DTCWT样本熵、MMEMD能量熵和VMD样本熵,并通过主成分分析(Principal Component Analysis,PCA)方法将三种轴承故障特征进行融合,得到轴承故障融合特征。最后经DBN小样本分类器分类,将故障进行分类,并通过时频分析方法确定轴承故障类型,实现故障诊断。对轴承正常状态、不同位置和不同程度损伤共10种状态进行故障诊断实验,验证其在轴承故障诊断中的有效性。将其用于风电机组轴承故障诊断,验证其实用价值。