旋转机械是现代工业的重要组成部分,随着我国经济的快速发展对旋转机械也提出了安全、高效、持续且高质量的运行要求。对于工业生产、能源电力、轨道交通等领域而言,一旦旋转机械某一零部件发生失效将导致其整体性能下降、运行稳定性降低甚至危害人身安全。旋转机械作为机组中的核心设备对其运行状态进行监测与诊断,减少因故障引起的计划外停机,对于保障工业人员设备安全、确保流程工业生产效率、降低企业生产成本具有重要意义。随着传感技术与信息技术的发展,我国正在逐步进入旋转机械的数字化与智能化的“大数据”工业互联网时代,但仍面临着健康数据多、故障数据少甚至缺失的小样本难题。目前基于机器学习的故障诊断技术需依赖各类故障状态的大量数据完成智能诊断模型的构建,在仅具有健康状态数据的小样本情况下无法实现有效应用,导致现有的智能诊断方法对具体设备的泛化能力较弱。为此本文提出一种面向小样本的旋转机械智能诊断方法框架,通过故障机理与机器学习技术相结合的方式为每台设备构建实例化智能诊断模型,解决了因待测设备故障数据缺失导致诊断困难的难题。本文研究内容由基于同源迁移的诊断模型构建、依据已发生故障样本的无案例故障识别模型构建以及基于异源迁移的声学诊断模型构建三大部分组成,具体研究内容如下:（1）研究提出两种以待测设备健康状态数据为基础,以故障机理为指导的诊断模型构建方法。针对待测设备仅具有健康状态数据无法构建诊断模型的难题,首先提出一种基于故障机理的自适应故障诊断（adaptive diagnosis with fault mechanism,ADFM）方法,依据故障机理与传递路径规律,以健康状态数据为基础生成故障信号,并提出可反映故障类别的频域特征减少生成样本与真实样本间的差异。在确保样本有效性的同时极大的简化了样本生成流程,提高了小样本条件下的诊断效率。针对ADFM方法生成样本对人工经验依赖较多的问题,提出一种多源数据与对抗网络混合驱动的机械智能诊断（Multi Source Generative Adversarial Network and Mechanism Character Generative Model,MSGAN-MCGM）方法,以故障机理为指导借助机器统计学习技术完成对多源故障数据中故障成分的迁移,实现了对机理与数据背后潜在信息的有效利用。提出的基于同源迁移的样本构建方法一方面解决了建立诊断模型依赖待测设备真实故障数据的难题,另一方面保证了诊断模型对于具体设备的实例化构建。通过试验数据与工业数据对所提方法进行了准确性验证,结果表明在仅具有健康状态数据的小样本条件下提出方法相比现有方法具有明显优势。（2）研究形成了基于深度卷积对抗网络（Deep Convolutional Generative Adversarial Network,DCGAN）的无案例故障智能诊断模型构建（Convolutional Neural Networks and DCGAN,CNN-DCGAN）方法。针对缺失故障样本导致诊断模型仅可识别训练集中包含的已发生故障的模型不完备问题,采用已发生故障样本训练诊断模型并通过引入置信概率的方式实现对已发生故障与无案例故障的智能识别。此外,形成了基于新增故障样本的诊断模型自更新策略,在保留诊断模型对原已发生故障识别效果的同时提高模型的扩展与自学习能力。试验数据与工业数据验证了提出方法针对各类故障的识别优势,为有限种类的小样本条件下智能诊断模型的工程应用提供了有力支撑。（3）提出了异源异域样本下基于振动-声音迁移的诊断模型构建方法。针对振动传感器安装困难的工业场景,研究基于声音的智能诊断方法。考虑到声音监测的应用范围相比振动较小,存在源域设备与待测设备均缺失故障声音数据的不足,开展基于异源迁移诊断模型泛化技术研究,形成室内复杂声场环境下依据其他设备振动故障数据的待测设备声学诊断模型构建方法。深入分析旋转机械声音信号的组成、衰减及信号特点,明确振动信号与声音信号的成分差异,以基于单麦克风的声信号增强方法为基础提出了基于源域设备振动数据的异源异域振动声音迁移诊断（Migration Diagnosis of Different Devices from Vibration to Acoustic,MD3VA）方法。试验数据及工业数据分析结果表明了方法的有效性,提出方法极大的降低了旋转机械智能诊断成本,拓宽了声学诊断技术在工业生产小样本条件下的工程应用前景。最后对本论文研究内容进行了总结,提出了进一步的研究方向。