目前长短期记忆网络（long short-term memory, LSTM）是滚动轴承剩余使用寿命（remaining useful life, RUL）预测的常用方法,但其训练过程中收敛速度慢、波动性剧烈、预测误差大的问题,严重影响其在实际生产中的应用.针对该问题,提出一种双向长短期记忆网络（Bi-directional LSTM, Bi-LSTM）与多层感知机（multilayer perceptron, MLP）融合的预测方法.首先,采用堆叠去噪自编码器（stacked denoising auto encoder, SDAE）对预处理后的滚动轴承振动信号进行特征提取;其次构建Bi-LSTM网络与多层感知机融合的多种预测模型,并通过实验获取较优模型;最后使用较优模型对其剩余寿命进行预测.实验结果表明,相对LSTM,Bi-LSTM,以及LSTM融合MLP等常用模型,采用文中提出的方法,模型在滚动轴承剩余寿命训练过程中,波动性更低、收敛速度更快,同时预测误差也得到明显降低.