故障诊断是设备维护中的关键部分,轴承作为现代机械设备中的基础元件更是维护过程中的关键部分。由于滚动轴承受各种复杂因素的影响,使之成为整个旋转机械系统中可靠性最差的零部件之一。传统的轴承故障诊断方法以人工设计降噪、滤波、特征提取为主,手动提取特征的过程相对繁琐,且需要一定的背景知识,在面对海量数据集时越来越力不能及。此外,轴承工作周期跨度大,工况复杂多变,这也使得手动提取特征愈发困难。随着深度学习的崛起,其强大的特征提取能力和泛化能力受到越来越多学者的关注,为复杂真实情况下的轴承高精度、低成本、智能故障诊断提供了可能。基于此,本文以轴承振动信号为研究对象,以噪声、变工况为应用背景,研究设计不同深度神经网络以实现复杂工况下的轴承故障诊断任务,主要工作如下:（1）为实现标准场景下端到端的轴承故障诊断,考虑到自注意力机制在多个领域中表现优异,有着强大的特征提取能力,故本文将自注意力与卷积神经网络结合作为轴承信号的特征提取器,从而实现对轴承不同类型、不同程度故障的准确分类。通过对比实验验证了算法的可行性,证明了自注意力机制在轴承故障分类任务上的有效性,并为后续复杂工况下的研究提供了算法前提。（2）为实现噪声场景下端到端的轴承故障诊断,采用自适应软阈值方法逐层降噪,输入部分采用随机掩膜的方式降低噪声对输入信号的影响。为降低信息缺失造成精度下降的影响还设计了一种与特征提取器相对称的解码器用以实现自回归训练。从输入、网络结构、输出三部分进行改进得到基于随机掩膜的卷积自注意力收缩自编码器（MCSASA）,用以实现噪声场景下的轴承故障诊断任务。并通过对比实验、消融实验验证了方案的可行性与有效性。（3）为实现变工况场景下端到端的轴承故障诊断,降低数据成本的同时提高网络适应性,以源数据和无标签目标数据进行网络训练,提出了一种基于交叉注意力的领域对抗网络（CADAN）。通过交叉注意力机制和领域对抗学习降低不同工况间特征间的边缘分布差异,通过预训练方式结合聚类方法生成目标数据伪标签,进而实现半监督学习。最后通过可变负载下的轴承故障诊断对比实验以及消融实验验证了算法的性能。本文有图37幅,表10个,参考文献70篇。