剩余寿命（Remaining Useful Life,RUL）预测是滚动轴承健康管理、预防性维修的关键工程环节之一。近年来,深度迁移学习技术已被初步应用于轴承RUL预测问题,利用不同平台或工况下采集的历史数据提高数据量不足情况下新RUL预测任务的效果,并开始成为研究热点。但是,现有研究中,深度迁移学习模型往往以黑箱模式运行,对于RUL迁移预测的工作机制和影响预测效果的关键因素并不能提供完备的解释,也无法利用对迁移机制的理解来进一步优化迁移学习策略、提高RUL预测的准确度或鲁棒性。这一定程度限制了深度迁移学习在轴承RUL预测中的应用。针对上述问题,本文从RUL迁移预测过程中退化知识的传递方式入手,研究基于样本可解释性的深度迁移学习算法,以提高跨机器/跨工况的RUL迁移预测效果。具体而言,本文采用堆叠长短时记忆（LSTM）网络作为基础网络模型,以挖掘不同轴承退化过程的相似性作为切入点,通过量化迁移过程中源域不同轴承的贡献程度,有选择性地传递和融合源域退化知识,并构建更加高效和鲁棒的迁移策略,提高了数据分布不一致情况下的RUL预测精度和稳定性。主要研究内容包括:（1）从轴承退化序列相似性分析出发,本文提出了一种在跨工况下的基于样本可解释性分析的RUL迁移预测算法,该算法通过量化不同轴承之间的差异性,自适应地选择退化知识迁移。首先,本文构建了基于多尺度退化相似性的时间序列聚类算法,该算法将源域不同退化相似性序列划分为不同的子源域;其次,通过分析子源域与目标域之间的差异性,构建迁移贡献度指标,量化子源域在迁移过程中的贡献度;最后,提出一种基于堆叠LSTM的自适应冻结策略,能够自适应地保留源域信息,使用少量目标域信息进行微调,得到最终RUL迁移预测模型。在IEEE PHM 2012挑战赛数据集和XJTUSY数据集上进行对比实验,结果表明,本文方法比现有深度RUL预测和迁移RUL预测方法得到的预测误差更低,并且可明确给出源域轴承序列对于迁移结果的重要性和具体的贡献度,为预测模型赋予了较好的可解释性。（2）在上述研究工作基础上,本文进一步考虑实际工程中轴承数据分布差距大的特点,从样本可解释性的角度出发,构建跨机器、跨对象的剩余寿命预测模型。考虑到同故障类型的退化序列仍存在一定的随机性,本文在迁移贡献度指标基础上,进一步引入故障类型信息,构建了融合故障类型信息的贡献度指标,使得对退化趋势具有较大差异的序列,仍可通过故障类型信息完善其退化相似性的度量。首先,本文提出一种基于张量重构和卷积神经网络的元退化趋势提取算法,针对故障类型提取序列元退化趋势;其次,构建一种融合故障类型信息公共走势的贡献度指标,考虑到同故障类型的退化序列仍存在一定的随机性,本文在迁移贡献度指标的基础上,进一步引入故障类型信息,构建了故障类型贡献度指标;最后,构建一种融合故障信息的基于堆叠LSTM模型的自适应冻结策略,该模型在上述基础上对源域信息进行选择性融合,构建RUL迁移预测模型,实现跨机器的RUL迁移预测。利用XJTU-SY数据集到IEEE PHM 2012挑战赛数据集构建了跨机器的迁移预测实验,其中XJTU-SY数据集故障类型已知,IEEE PHM2012数据集故障类型位置。结果表明,本文方法可以根据故障类型、结合序列的退化趋势决定保留多少信息,为跨机器下轴承RUL迁移预测提供一种有效的解决方案。综上所述,本文工作面向实际工程需求,通过量化迁移过程中训练数据的贡献度,在理论上改进了深度迁移学习的可解释性分析,不仅有效提高了跨工况、跨机器剩余寿命预测迁移精度,也一定程度上给出了RUL迁移预测过程的工作机制,提高了预测模型的实用性和易部署性,具有显著的学术研究和工程应用价值。