本书是在相关科研项目和论文的基础上撰写而成。本书以机械动力设备中常用的部件——滚动轴承为研究对象，系统阐述了深度学习方法在滚动轴承故障诊断中的应用。分析了滚动轴承常见的故障、原因和振动机理，介绍了当前滚动轴承故障诊断方法；在基于现代信号处理的基础上，阐述了基于深度学习的特征提取前处理方法；进一步阐述了基于半监督深度学习的滚动轴承故障识别方法，基于有监督深度学习的滚动轴承故障识别方法，以及基于迁移深度学习的滚动轴承故障识别方法。通过这些方法的阐述和实例分析，得出了相关结论，对提高滚动轴承故障识别的精确性和智能性，提供了有理论意义的参考，同时也具备一定工程意义。

第1章 引言
1.1 研究背景和意义
1.2 滚动轴承故障机理简介
1.3 基于信号处理和机器学习的滚动轴承故障识别技术研究现状
1.4 基于深度学习方法的滚动轴承故障识别研究
1.5 深度学习主流开源仿真工具
1.6 滚动轴承故障识别测试数据集
1.7 本书主要研究内容及结构
参考文献
第2章 深度学习特征提取前处理——基于现代信号处理方法
2.1 压缩感知降噪采样
2.2 同步挤压S变换
2.3 形态经验小波变换
2.4 功率谱幅值阈值经验小波变换（PSDEWT)
2.5 辛几何模态分解
2.6 提升双树复小波包
参考文献
第3章 基于半监督深度学习的滚动轴承故障识别研究
3.1 DAE及其改进
3.2 DBN及其改进
3.3 实验验证——XJTU-SY滚动轴承加速寿命试验数据集
3.4 实验验证——基于Spectra Quest 滚动轴承试验台
第4章 基于有监督深度学习的滚动轴承故障识别研究
4.1 深层曲线波卷积神经网络（deep curvelet convolutional neural networks,DC-CNN)
4.2 导联卷积神经网络(lead convolution neural network, LCNN)
4.3 分形网络（FractalNet）
4.4 胶囊网络（capsule net,CN）
4.5 深层支持向量机（deep support vector machine,DSVM)
4.6 深度森林（Deep Forest,DF）
4.7 实验验证——北京建筑大学滚动轴承试验台
4.8 实验验证——西储大学滚动轴承公开数据集
参考文献
第5章 基于迁移和生成深度学习的滚动轴承故障识别研究
5.1 集成深层小波自动编码器（EDWAE）迁移学习方法
5.2 非平衡小样本数据的滚动轴承故障识别——基于生成对抗网络
5.3 非平衡小样本数据的滚动轴承故障识别——基于深层变分自编码器
5.4 深度卷积生成对抗网络
参考文献