准确地预测轴承的剩余寿命是确保旋转设备可靠运行的关键。随着信息技术的发展，越来越多的研究人员将深度学习的方法应用于预测轴承剩余使用寿命。轴承在不同健康状态下全寿命周期的振动信号往往呈现出不同的数据分布，且其振动信号通常表现出非平稳的特性，这使得常规端到端的深度学习方法难以实现轴承剩余寿命的准确预测。为解决上述问题，通过提取轴承原始振动信号的均方根、峭度值、样本熵，并利用Gath-Geva　(GG)模糊聚类算法实现轴承全寿命退化阶段的无监督划分。采用同步压缩小波变换提取轴承振动信号的时频图，以同时从时域、频域揭示轴承当下运行状态。相比较连续小波变换，该方法提取到的时频图有更高的分辨率及更低的噪声。笔者提出双通道卷积长短时记忆网络模型，能够有效提取时间序列图像的时空结构信息。通过利用西交大轴承数据集(XJTU-SY轴承数据集)进行试验，验证了所提方法在预测轴承剩余寿命上的有效性，为轴承剩余寿命预测提供了一种新思路。