滚动轴承作为各种旋转机械设备的核心部件之一,对其运行状态进行监测和故障诊断是保障旋转设备安全运行的关键所在。在实际工程中,滚动轴承长时间工作在正常运行状态下,可获得的正常状态下的样本数量远大于每类故障发生的样本数量,且各类故障间的样本数目也具有差异,从而导致数据不平衡问题。然而建立具有精确性的轴承故障诊断预测方法,通常需要丰富的故障类样本以分析其故障关键特征。因此,针对轴承样本数据不平衡问题,本文提出了一种将时频信息融合、生成对抗网络和残差网络相结合的轴承故障诊断方法,从三个层次来提高不平衡样本下的故障诊断准确率,其主要研究内容如下:1.提出了一种基于连续小波变换的时频图像信息融合方法。为了获得更多的故障特征以提高故障诊断性能,通过将不同方位的传感器测量得到的多源振动信号按相同时序进行排列,利用小波变换从原始一维振动信号中提取二维时频特征,最后通过时频转换和压缩合并处理将多源信号进行融合。实验结果表明,通过多源信号融合得到的时频图像比单源信号得到的时频图像用于故障诊断中得到的精度更高。2.针对轴承故障诊断中数据样本不平衡的问题,提出了一种基于生成对抗网络的数据增强方法Improved DCGAN（IDCGAN）。该方法将深度卷积生成对抗网络作为基础网络架构,并针对传统GAN网络中存在的生成样本质量差、训练不稳定和出现模式坍塌等问题,通过引入自注意力机制来增强全局特征相关性,并加入谱归一化、TTUR和Wasserstein距离和惩罚梯度来稳定训练和提升生成样本质量。该方法在两个基于不同失效机理的轴承数据集中通过实验评估了生成样本质量。实验结果表明,所提出的IDCGAN能够生成拟合真实样本特征分布的假样本,用于平衡数据集。3.针对用于图像分类的传统卷积网络中加深网络层数容易导致的梯度消失、模型退化和计算成本增加等问题,提出了一种基于残差网络的故障诊断分类方法,通过在残差网络中引入卷积注意力模块CBAM来降低网络的计算成本并融合特征信息,增强分类模型对全局特征的捕获。该方法与时频信息融合、IDCGAN数据增强相结合,在不同的实验集中分别进行了单类故障不平衡和多类故障不平衡实验。在轴承数据不平衡条件下通过对比不同的诊断模型和数据合成方法,结果表明所提出的方法具有更好的诊断性能。