滚动轴承作为旋转机械的关键部件被广泛地应用在工业等相关领域,但是由于其工作环境复杂,不同负载之间的数据分布差异较大,获取有效的数据比较困难,且传统的诊断方法存在一定的缺陷。因此,利用少量的有效数据构建变负载下故障诊断模型具有重要的研究意义。本文以深度神经网络和原型域适应为研究核心,构建滚动轴承故障诊断模型,利用少量带标记数据完成变负载下滚动轴承故障诊断任务。针对传统的智能诊断方法需要大量带标记数据进行模型训练以及泛化性不高的问题,提出一种基于原型域适应的滚动轴承故障诊断方法。首先将一维振动信号通过小波变换转化为二维时频谱图像,并选取某负载下每类1个带标记和299个不带标记的二维频谱图像为源域数据,选取与源域不同负载下完全不带标记的二维时频谱图像为目标域数据。利用深层网络分别对源域数据和目标域数据进行特征提取,并将提取后的特征进行原型域适应。同时为了提高模型的泛化性能,提出将原始的激活函数改为可自适应决定神经元是否激活的meta-acon激活函数。实验结果表明,所提诊断模型有较强的诊断性能和泛化性能。上述方法虽然在泛化性方面取得了较好的效果,但是准确率还有提升的空间。因此为了提高准确率,进一步提出一种改进的深层网络,提高神经网络的特征提取能力,为后续域适应提供基础。首先将深度神经网络的残差块结构进行改进,将残差块结构中3×3卷积层的输入分成以残差形式相连的4个部分,提高了神经网络的感受野范围和处理特征的能力。其次在每个残差块之后增加通道注意力机制和空间注意力机制,提高网络对有效特征的注意力。将改进后的网络分别提取源域和目标域的特征,并进行域适应,构建滚动轴承故障诊断模型。通过各种不同的实验验证了改进后的方法对特征有更好的处理能力,同时在准确性、泛化性和处理不平衡数据方面都有较高性能。