针对轴承振动信号易受噪声干扰、变工况及单一传感器提取特征信息不完备的问题，提出基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition of Adaptive Noise，CEEMDAN)、快速独立分量(Fast Independent Components Analysis，FastICA)降噪和多输入卷积神经网络(Multiple-input Convolutional Neural Networks，MCNN)的多传感信息融合轴承故障诊断方法。首先分别对多传感采集的振动信号划分数据集，并输入CEEMDAN得到本征模态函数(Inherent Nodal Function，IMF)；随后，选择峭度大于3 的IMF构造观测信号，其余IMF 构造虚拟噪声信号，作为两个输入源输入FastICA，分离出特征向量；最后，设计MCNN识别故障类型。在CWRU和XJTU-SY数据集上的正确率分别为99.94 %和99.64 %。在信噪比为-8 dB的抗噪性能测试中，正确率分别为96.95 %和98.29 %；在信噪比为0 dB 的抗噪性能测试中，正确率分别为99.00 %和99.23 %。对比实验结果表明此方法能够提取更为全面的故障特征信息，获得更高的准确率。

针对将一维原始轴承振动信号作为既有轴承诊断模型的输入所致训练效率、抗噪性欠佳的问题，提出一种基于振动信号图像特征的自适应降噪残差网络轴承故障诊断方法。首先将一维轴承振动信号进行截断、重叠采样后重构成信号矩阵，最后将其编码为图像得到振动信号图像；再对图像进行直方图处理，计算得到其灰度分布特征矩阵，并将振动信号图像和对应的特征矩阵作为算法模型的输入；同时，在提出的网络模型中在残差卷积映射的过程中插入基于通道注意力机制的降噪路径，通过自适应地获得阈值进行降噪，提高网络对含噪声样本的故障特征提取能力。最后通过对比实验证明：网络模型在加入灰度分布特征后有更好的性能表现，提出的自适应降噪残差网络模型在将含有噪声的振动信号作为输入的情况下仍具有较高的故障识别精度。