滚动轴承是旋转机械设备的关键零部件。为了保证滚动轴承安全可靠运行,必须对滚动轴承进行实时状态监测与故障诊断。传统故障诊断方法很难构建精准表征滚动轴承健康状态的最优特征集,从而导致诊断模型的识别精度下降。本论文将经验模态分解理论、深度学习理论和迁移学习方法应用于滚动轴承故障诊断中,提供了一种智能通用的故障诊断方法。主要研究了以下几方面的内容:（1）针对滚动轴承振动信号呈现非线性和非平稳特点,研究了基于改进EEMD和故障敏感IMF分量的滚动轴承故障诊断方法。分析了 EEMD原理与算法以及改进EEMD算法参数的选取方法。结合IMF分量与其振动信号的相关系数、IMF分量的峭度指标和IMF分量的能量比,利用综合评价指标自动提取故障敏感的IMF分量。将故障敏感的IMF分量重构,利用Hilbert变换和FFT求出重构信号的包络谱,以提取滚动轴承的故障特征信息。通过实验验证了改进EEMD算法和故障敏感IMF分量的自动提取算法应用于滚动轴承故障诊断的有效性。（2）针对传统故障智能诊断方法识别精度低和鲁棒性差的问题,研究了基于改进EEMD和DCNN的滚动轴承故障智能诊断方法。首先采用改进的EEMD算法将滚动轴承振动信号转化为IMF矩阵以增强健康状态特征信息,然后利用DCNN从IMF矩阵中自适应提取判别性强的故障特征以替代传统人工设计的表征性能差的特征集,最后使用Softmax分类器对故障特征识别。通过人为制造滚动轴承故障和实际滚动轴承故障两部分数据验证了该方法的诊断性能和抗噪效果,详细分析了卷积神经网络架构和关键超参数的设计方法,并应用t-SNE算法对DCNN中间层提取的高维特征进行可视化分析。采用滚动轴承和齿轮混合故障数据集验证了该智能诊断方法的通用性。（3）由于滚动轴承在不同工况下的振动信号数据具有不同的分布或者不同的特征空间,导致滚动轴承故障智能诊断模型的识别精度下降,因此研究了基于DCNN和TL的复杂工况滚动轴承故障诊断方法。采用有充足且已知标签样本的工况数据集训练DCNN;通过实验确定了 DCNN的微调层和迁移层,利用另外一种工况有少量且已知标签样本的数据集微调DCNN微调层的参数对滚动轴承在不同工况下进行故障诊断。采用滚动轴承不同工况的故障迁移诊断实验验证了该方法的有效性。