旋转机械作为流程工业的核心设备,对其进行实时监测与故障诊断是保障工业生产安全高效的关键。随着机器学习算法的深入研究,其在旋转机械故障诊断技术方面也得到了大量的研究和应用。而实际工业生产中缺失某些故障状态的数据,导致基于数据驱动的机器学习算法难以针对每台设备分别建立模型。由于设备的安装条件和使用环境等区别,基于某台设备的数据构建出的诊断模型,应用在其他设备上时准确率不高。因此研究如何在缺失故障样本条件下,对每台设备构建个性化的智能诊断模型十分重要。本文结合故障机理等先验知识以及领域自适应的机器学习理论,从样本生成和模型迁移两个角度来对每台旋转机械建立个性化的诊断模型,解决旋转机械故障诊断建模中面临的故障样本稀缺问题。本文主要研究内容如下:（1）小样本条件下的诊断模型构建思路。对小样本条件下构建诊断模型常用的理论基础进行了说明,从必要性以及可行性两个方面,对结合故障机理与领域自适应的诊断模型构建,进行了分析。根据工业中两种应用场景,分别提出了样本生成及模型迁移的两种解决思路（2）基于样本生成的旋转机械智能诊断方法。针对泵等噪声干扰小,传递路径简单,故障特征明显的小样本诊断问题,提出了一种生成对抗网络（Generative Adversarial Nets,GAN）与故障机理混合驱动的旋转机械智能诊断方法。依据GAN构建了反映故障的共性参数的分布模型,结合故障机理与待测设备健康状态数据完成了对待测设备的样本生成模型泛化,最后通过虚拟故障样本与待测设备正常状态样本训练得到待测设备的模型,解决了故障特征信号明显时的小样本故障诊断问题。（3）基于模型迁移的旋转机械智能诊断方法的旋转机械智能诊断方法。针对双馈式发电设备,航空发动机等噪声干扰大,传递路径复杂,故障特征信号微弱的小样本诊断问题,提出了一种基于模型迁移的旋转机械智能诊断方法。该方法基于理论故障频率之间幅值相对大小,构造出一种特征样本空间,使得无用干扰信息降低,故障类别之间距离更大。应用条件领域对抗网络（Conditional Domain Adversarial Networks,CDAN）来对诊断模型进行迁移以提高诊断模型的诊断准确率。在模型中加入了多线性条件调节,提高了迁移效果。在无待测设备故障样本的情况下,得到了待测设备诊断模型。解决了故障特征信号微弱情况下的小样本诊断问题。