针对长短期记忆神经网络提取特征信息相关性和时间信息依赖性不足的问题，提出基于改进双多头注意力机制的长短期记忆神经网络（improved dual stage attention-based long short-term memory neural networks， 简称IDSA-LSTMNN），以提高滚动轴承剩余使用寿命（remaining useful life， 简称RUL）的预测精度。首先，采用改进的蜘蛛蜂优化器（improved spider wasp optimizer， 简称ISWO）优化变分模态分解（variational mode decomposition， 简称VMD）的关键参数，以提取更优的时频域特征；其次，结合时域和频域特征，构建特征数据集；然后，利用非线性成分改进核主成分分析（kernel principal component analysis， 简称KPCA）的核函数，以优化特征降维过程；最后，利用多头注意力权重改进特征注意力机制和时间注意力机制提出IDSA，设计了轴承RUL预测的IDSA-LSTMNN，并进行了对比试验、抗噪性试验和泛化性试验。结果表明，相较于仅具有单头注意力机制的LSTMNN，不同工况、不同噪声环境下，IDSA-LSTMNN在预测精度、抗噪性和泛化性上具有显著优势。