印刷设备朝着大型化、自动化、精密化和高速化的方向发展,轴承作为印刷机的重要部件,其运转时的稳定性对印刷机至关重要。在印刷机运行过程中,轴承故障会轻则影响印品质量,重则会造成安全事故。因此,轴承故障诊断对印刷设备的平稳运行具有重要的意义。本文研究了基于生成对抗网络的高精度轴承故障诊断方法,设计了诊断模型;针对故障信号难以大量获取的问题,研究了生成对抗网络与卷积神经网络结合的混合智能诊断模型;开发设计了印刷机轴承故障诊断系统,具体研究工作如下:（1）生成对抗网络作为无监督生成模型,不能直接应用到轴承故障诊断这一分类任务中。针对这一问题,结合生成网络与判别网络的特性对原始生成对抗网络进行改进,在初始网络模型中添加标签向量信息,并构建额外输出层用以判别轴承故障类别,使得生成对抗网络从无监督学习的生成模型改进为监督学习的分类模型。最后,使用公开数据集对改进后的模型进行实验验证。实验结果表明,改进后的生成对抗网络模型拥有了故障分类的能力,且由于其对抗学习的特殊机制,比全连接神经网络故障诊断精度提高了 5.83%,达到了 99.86%。同时,改进后的模型对样本长度的需求更低,在更少的样本信号下能够实现对轴承故障的高精度识别分类任务,削弱了对人工提取故障特征的需求,验证了所提方法的可行性。（2）针对深度学习算法在小样本情况下诊断精度不足的问题,提出一种条件生成对抗网络与二维卷积神经网络结合的轴承诊断方法。该方法首先通过条件生成对抗网络来达到生成样本的目的。然后,对所生成的样本进行二维预处理,将一维数据转换为二维灰度图。将二维灰度图输入到二维卷积神经网络中,完成轴承故障分类。最后,使用凯斯西储大学轴承数据集进行实验验证,实验结果表明,该方法在小样本数据集上的诊断精度达到了 96.33%,接近样本充足时二维卷积神经网络的诊断精度。（3）采集凹版印刷机故障轴承信号,使用本文方法进行故障诊断实验。实验表明,在小样本数据集的情况下,本文所提出的条件生成对抗网络和二维卷积神经网络的融合模型的诊断精度可达90.49%,验证了本文方法的有效性。最后,基于MATLAB软件开发故障诊断系统,实现了对故障信号的便捷分析、故障诊断的简捷操作,增加了本文模型的实用性。