本发明提供一种基于深度学习网络的轴承故障分类方法及系统，分类方法包括：设定采样频率，采集轴承在不同工况下的振动信号数据；将取得的振动信号数据进行分段构建多个样本；分解处理每个样本的振动信号数据得出多个模态分量，实现有效成分分离；构建具有残差单元的深度网络，用随机搜索法确定合适的网络深度；将训练集输入深度残差网络进行迭代训练并获取分类模型；将测试集输入分类模型，取得故障分类结果。本发明的分类方法将变分模态分解和深度残差网络相结合，解决了输入数据存在噪声干扰和有效成分存在交叉混叠、网络深化导致识别梯度消失、性能退化导致分类效果变差的问题，实现了不受转速变化影响的故障特征提取，提高了故障分类准确性。