深度学习在机器剩余使用寿命（RUL）预测中越来越有吸引力，因为它能够通过表示学习自动建立原始数据与相应RUL之间的映射关系。在深度学习模型中，卷积神经网络（CNN）因其处理时间序列信号的强大能力而备受关注，并在当前的研究中取得了很好的成果。然而，这些研究有两个局限性：（1）在网络构建过程中没有考虑不同退化状态的时间依赖性；无法获得RUL预测结果的不确定性。为了克服上述局限性，本文提出了一种用于机械RUL预测的新框架——递归卷积神经网络（RCNN）。在RCNN中，首先构造递归卷积层来模拟不同退化状态的时间依赖性。然后，利用变分推理对RCNN在RUL预测中的不确定性进行量化。利用滚动轴承加速退化试验的振动数据和铣刀寿命试验的传感器数据对所提出的RCNN进行了评估，并与一些最先进的预测方法进行了比较。实验结果证明了RCNN在提高RUL预测精度和收敛性方面的有效性和优越性。更重要的是，RCNN能够提供概率RUL预测结果，这打破了CNN固有的局限性，有助于维护决策