针对特定机械设备构建数据驱动的故障诊断模型缺乏泛化能力，而轴承作为各型机械的共有核心部件，对其健康状态的判定对不同机械的衍生故障分析具有普适性意义.提出了一种基于1D-CNN（one-dimensional convolution neural network）联合特征提取的轴承健康监测与故障诊断算法.算法首先对轴承原始振动信号进行分区裁剪，裁剪获得的信号分区作为特征学习空间并行输入1D-CNN中，以提取各工况下的代表性特征域.为了避免对故障重叠信息的处理，优先使用对健康状态敏感的特征域构建轴承健康状态判别模型，若健康状态判别模型识别轴承未处于健康状态，特征域将与原始信号联合重构，通过耦合自动编码器开展故障模式判定.使用凯斯西储大学（Case Western Reserve University）的轴承数据开展实验，结果表明，该算法继承了深层学习模型的准确性和鲁棒性，具有较高的故障诊断精度和较低的诊断时延.