工业4.0加速了制造业从传统生产模式向信息化、智慧化制造变革的步伐,其中滚动轴承的故障诊断是确保众多旋转机械安全、稳定、长效运行的关键,在这场革命中扮演着不可或缺的重要角色。尽管,基于深度学习的轴承智能故障诊断已经涌现了海量优异的方法,但在面向工业实践时,还需要具备轻量化、强鲁棒和低样本依赖的特性,以应对部署成本限制、环境噪声干扰和训练样本不足的挑战。因此,以构建更契合于实际工业需求的诊断方法为初衷,本文将设计轻量化诊断方法作为主要研究目标,同时兼顾了对鲁棒性和样本依赖度的考量,通过特征图拆分、注意力机制、知识蒸馏、数据增广等技术设计了四个轻量化诊断方法,具体的研究内容如下:1、为了压缩模型的参数量和运算量,本文通过特征图拆分的方式构建了一种新的轻量化卷积模块,并为了保障模型诊断精度,在所设计的模块中嵌入了注意力机制。再以此模块构建了一个轻量化故障诊断框架,并在三个轴承故障数据集（分别来自于凯斯西储大学、帕德伯恩大学、东南大学）上验证了模型的合理性和有效性。该框架以56.64 Mb的部署内存需求、14.49 MFLOPs的运算量和56.64 k的参数量,取得了95.2%的平均诊断精度。2、为了在故障样本严重稀缺条件下保障模型的诊断精度,本文基于分层分块结构设计了一个轻量化卷积模块,并以此构建了一个轻量诊断框架。借助知识蒸馏的软标签能够表征不同类间相似度的特性,提升了模型在故障样本严重稀缺时的诊断精度。当故障样本数量和健康类样本数量的比值从0.05降至0.02的过程中,该方法在帕德伯恩大学数据集和美国机械故障预防技术学会数据集上取得了不低于96.76%的平均诊断精度。同时,实验结果证明了知识蒸馏抑制非平衡数据对于训练的不良影响的策略具有较强的泛化性。3、为了在训练样本有限且受噪声干扰的条件下保障模型的诊断精度,本文使用深度可分离卷积优化的Transformer的编码模块和映射模块,并通过修改自注意力的运算形式将该步骤的计算复杂度降至了线性,从而构建了一个轻量化的诊断模型（参数量:4.88 k,运算量:0.12 MFLOPs）。然后在自制的轴承故障数据集上,验证了该模型的有效性,其在多种噪声环境下（高斯噪声、拉普拉斯噪声、粉红噪声）取得了90.53%的平均诊断精度,并且在训练样本量为100时不会出现明显的精度下滑现象。4、为了在保障模型鲁棒性和低样本依赖度的前提下,进一步地压缩模型的参数量,本文以自激活函数函数为桥梁,将Transformer和卷积神经网络统一在了一个模块中,并以此模块构建了系列诊断框架。其中,最小的诊断框架凭借着2744个参数,在多种噪声环境（高斯噪声、拉普拉斯噪声、粉红噪声）下取得了84.55%的平均诊断精度,且在数据增广后,其在低噪声环境下（SNR≥6 d B）仅需每类12×4个样本就能完成训练。