实际应用中,很难获取足够的故障样本用于训练滚动轴承故障诊断模型,并且不同机械装备中使用的轴承型号可能不同,在某种型号轴承上训练的诊断模型并不适用于其他型号轴承。针对上述问题,提出两种不同型号滚动轴承故障诊断方法。（1）提出基于半监督原型网络的故障诊断方法。首先按照元学习训练策略划分数据集,在元训练集和元测试集中进一步将数据划分为带标记的支持集,未标记的支持集和查询集。然后,将金字塔分割注意力模块引入到原型网络。利用改进的原型网络的编码器对样本进行特征提取,根据支持集样本特征计算每一类特征的初始原型。之后用未标记的支持集样本改善初始原型。将查询集中样本与各个原型间的距离输入到Softmax分类器中,完成对查询集样本的分类。通过多个任务的迭代训练,得到不同型号滚动轴承故障分类模型。实验结果表明,所提方法可以获得较为准确的诊断结果。上述方法是在相同负载下对不同型号的轴承进行故障诊断,当负载变化时,诊断效果会受到影响,因此提出另一种不同型号滚动轴承故障诊断方法。（2）提出基于改进关系网络的小样本滚动轴承故障分类方法。该方法首先对不同型号轴承振动信号进行傅里叶变换,并根据元学习训练策略将不同型号轴承数据划分为源域和目标域,域内进一步划分为支持集和查询集。其次,构建改进的关系网络,在关系网络的嵌入模块中引入残差收缩模块和缩放指数型线性单元,利用改进的嵌入模块提取支持集和查询集样本特征,拼接二者的特征并输入到关系模块,得到关系分数,根据得分对查询集样本分类。最后,经过多次迭代,得到滚动轴承故障分类模型。实验结果表明,所提方法只需少量样本,就能够实现不同负载下不同型号滚动轴承的故障分类,并具有较高的分类准确率。与方法（1）相比,本方法更适合轴承工作负载不同的场合。