针对旋转机械设备中齿轮剩余使用寿命（RUL,remaining useful life）的预测问题，本文利用长短期记忆（LSTM,long short-term memory）网络在处理时间序列数据方面的独特优势，提出一种将注意力机制和LSTM融合的齿轮RUL预测算法。首先，从齿轮振动信号中分解出最能反映其健康状况的4种时域特征（均方根值、峭度、方差和裕度指标）作为RUL预测网络的输入；其次，以提升RUL预测结果的精度为目标，把LSTM和注意力机制相结合，设计了一种新型的RUL预测网络；最后，使用实验室齿轮全寿命加速疲劳实验台生成的真实数据进行了模型验证，结果表明，本文所提出的注意力LSTM算法在进行齿轮RUL预测时具有较高的预测精度。