滚动轴承是机械设备的重要组成部分之一,由于长期在高载荷、高转速的工作坏境下工作,会因为磨损和疲劳而受到损坏,其损坏可能会导致传动系统无法运转,以致整个机械设备无法工作。所以,对滚动轴承进行及时的故障诊断能够保证机械设备的安全运行。在工程实际中,滚动轴承长期处于正常运行状态,发生故障时应立即停机进行更换,所以能够采集到的正常样本会比故障样本多得多,导致轴承各类别健康状态数据之间不平衡,即类不平衡问题。由类不平衡数据集训练的诊断模型容易出现对故障样本的过拟合,严重影响传统智能诊断模型的性能。因此,研究滚动轴承类不平衡情况下故障模式的准确识别有着重要意义。本文以滚动轴承为研究对象,提出基于数据增强和特征增强的滚动轴承类不平衡智能诊断方法,并针对相关的问题进行了理论研究和应用验证。主要研究内容如下:（1）提出基于数据增强的滚动轴承类不平衡智能诊断方法。提出基于变参数时频分析的数据增强方法,利用时频分析中不同参数会产生兼具一致性和多样性的时频状态特征这一特点,分别通过STFT和CWT这两种时频分析方法扩充少数类故障样本的数量,并同时提高轴承时频状态特征的多样性,从而构建高质量的平衡数据集。从定性和定量两个角度评价扩充样本的质量。利用构建的平衡数据集训练智能诊断模型,可以有效提高诊断模型的泛化能力。采用轨道车辆轮对轴承故障模拟实验台测取的滚动轴承数据集对所提方法进行实验验证,实验结果证明所提数据增强方法能够有效提升轴承故障诊断的准确率,效果优于其他数据增强方法,且针对不同不平衡比例和不同智能诊断模型都表现出很好的泛化性。（2）提出基于特征增强的滚动轴承类不平衡智能诊断方法。提出基于时频注意力机制的特征增强方法,利用深度学习领域的注意力机制,构建时频注意力网络模块,分别从频率和时间两个维度增强时频状态特征,抑制时频域中的噪声,从而在类不平衡下提升特征学习效果。结合轴承故障特征频率和信号包络谱分析证明所提方法具有物理可解释性。将时频注意力网络模块嵌入到CNN的前端,构建完整的轴承智能诊断模型,可以有效提高轴承类不平衡智能诊断的准确率。利用可视化径向加载滚动轴承故障模拟实验台采集的轴承数据集进行实验验证,对比不嵌入时频注意力网络模块的智能诊断模型,所提方法的诊断性能具有明显的提升。（3）构建综合数据增强和特征增强的滚动轴承类不平衡智能诊断模型。提出将基于变参数时频分析的数据增强方法和基于时频注意力机制的特征增强方法进行结合,通过同时扩充样本和抑制噪声,进一步提升类不平衡诊断模型的诊断性能。用上述两组数据集进行实验验证,结果证明了所提方法的有效性、优越性和泛化性。本文分别从样本扩充和噪声抑制两个角度,提出新颖的数据增强和特征增强方法,用于提升类不平衡下轴承智能诊断模型性能。本文所提方法将故障诊断领域的信号处理方法和机器学习方法结合在一起,具有鲜明的特色,为机械故障诊断提供了新思路,对滚动轴承类不平衡故障诊断的工程应用具有重要的实用价值。