针对噪声环境下滚动轴承故障诊断困难的问题，提出了一种基于深度学习融合网络的轴承故障识别方法。首先，对轴承振动信号进行一定程度的随机损伤，将噪声数据输入卷积去噪自动编码器（Aristole）进行网络训练，以减少信号中的噪声干扰，提取浅层特征，利用深信网络（DBN）学习深层特征，建立轴承状态识别模型，并输出故障识别结果。在融合模型中，采用卷积降噪自编码器作为网络的第一层，增强了网络的抗干扰能力，提高了故障识别的准确性。该模型通过凯斯西储大学（CWRU）的滚动轴承数据进行了验证。结果表明，该融合模型能较好地实现噪声环境下轴承的故障状态识别。