針對(duì)現(xiàn)有的時(shí)域模態(tài)參數(shù)識(shí)別方法大多存在難定階和抗噪性差的問題，提出一種無監(jiān)督學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）的振動(dòng)信號(hào)模態(tài)識(shí)別方法。該算法在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)。首先，將應(yīng)用于二維圖像處理的卷積神經(jīng)網(wǎng)絡(luò)改成處理一維信號(hào)的卷積神經(jīng)網(wǎng)絡(luò)，其中輸入層改成待提取模態(tài)參數(shù)的振動(dòng)信號(hào)集合，中間層改成若干一維卷積層、抽樣層，輸出層得到的為信號(hào)對(duì)應(yīng)的Ⅳ階模態(tài)參數(shù)集合；然后，在誤差評(píng)估中，對(duì)網(wǎng)絡(luò)計(jì)算結(jié)果（Ⅳ階模態(tài)參數(shù)集）進(jìn)行振動(dòng)信號(hào)重構(gòu)；最后，將重構(gòu)信號(hào)和輸入信號(hào)之間差的平方和作為網(wǎng)絡(luò)學(xué)習(xí)誤差，使得網(wǎng)絡(luò)變成無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，避免模態(tài)參數(shù)提取算法的定階難題。實(shí)驗(yàn)結(jié)果表明，當(dāng)所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于模態(tài)參數(shù)提取時(shí)，與隨機(jī)子空間識(shí)別（SSI）算法及其局部線性嵌入（LLE）算法對(duì)比，在噪聲干擾下，構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別精度要高于SSI算法與LLE算法，具有抗噪聲強(qiáng)、避免了定階難題的優(yōu)點(diǎn)。