旋转机械设备运转时,常处于高温、重载、冲击等恶劣的环境,随着时间的推移,旋转机械某些部件可能出现不同程度的损伤,为了能够让机械设备稳定的运转,防止事故频发,需要对旋转机械关键部件进行健康监测。长久以来,只有专业人士才能完成旋转机械的故障诊断,随着诊断技术的不断进步和人工智能的兴起,基于深度学习的智能诊断方法开始广泛应用。虽然深度学习方法在故障诊断应用中取得了良好的表现,但是复杂的网络以及硬件设备的有限算力,制约了深度学习在故障诊断中快速发展。本文基于改进的轻量化网络模型,应用于轴承智能诊断以及不同工况迁移诊断,高效的同时拥有不俗的准确度,主要研究内容如下三个方面:（1）利用传统神经网络方法进行故障诊断时,海量数据样本使得计算机承受巨大的负载运算,增加了运算时间。为解决这一问题,使用一种轻量化网络模型—Shuffle Net,应用于轴承故障诊断。Shuffle Net网络综合运用了深度可分离卷积（Depthwise Separable Convolution,DSC）、分组卷积（Group Convolution,GConv）和通道混洗（Channel Shuffle,CS）技术,降低了网络模型参数量,和传统网络相比同样具有较高的准确度,并且显著的减少了运算时间,减轻了对计算机硬件的依赖。（2）为进一步降低对计算机硬件的依赖,在Shuffle Net V2网络的基础上进行改进,提出了一种Shuffle-SE网络模型。Shuffle-SE网络保留了Shuffle Net V2网络单元,加入Squeeze-and-Excitation（SE）结构。Shuffle Net V2网络单元基于四条轻量化准则对Shuffle Net网络进行改进,SE结构也极具简单,并且选择性的对不同通道信息进行抑制或提升,提升了网络性能。Shuffle-SE相比Mobile Net V2、Shuffle Net V1/V2、Res Nets等网络模型,兼顾了运行效率和准确度。（3）针对变工况下小样本、无标记样本的旋转机械设备快速故障诊断,将改进轻量化网络模型嵌入高阶矩匹配的域自适应方法中。高阶矩匹配域自适应方法可以减小训练数据和测试数据的分布差异,实现细粒度对齐,完成迁移诊断。轻量化模型主体结构采用深度可分离卷积和池化层,输入输出通道数较多时,深度可分离卷积有效的减少了参数量,最大池化层作为下采样层,剔除了多数价值较小的特征信息。将轻量化网络模型在两个不同试验台进行变工况迁移验证,运算效率大幅提升,并且取得了较高的准确度。