滚动轴承作为民航发动机中的重要部件,其健康状况关乎民航飞机的飞行安全。早期轴承的故障特征提取通过信号处理来实现,这种方式依赖于专家经验,并且所提取的特征不具备良好的通用性,无法适应多工况环境。而深度学习在提取特征时具备“端到端”的能力,可以摆脱人工参与,但是对于民航发动机的滚动轴承而言,由于其故障数据量稀少或故障类型未知,这使得深度神经网络对其进行故障诊断时存在限制,因此本文融合深度学习与迁移学习对滚动轴承进行故障诊断。1.为了避免诊断模型的过拟合问题,提高状态识别率。首先对卷积神经网络中的超参数进行分析对比,以确定初始诊断模型。随后通过实验发现初始诊断模型在两种数据上的测试集与训练集的状态识别率分别相差19%与25%。因此对初始诊断模型进行两种改进:（1）将卷积层的部分神经元由标量形式改为向量形式;（2）将单一尺度的卷积层修改为多尺度形式。这两种改进均有效提升了故障特征提取能力,使得测试集状态识别率与训练集的差距不超过6.5%,但前者的训练时间是后者的13.7倍,因此第二种改进更具有优势。同时为了使改进后的诊断模型在选择卷积核参数时无需依赖主观经验,具备自适应性,利用遗传算法对其优化,使本文模型的状态诊断识别率更接近于最优解的同时省去繁琐的参数人为选择过程。2.当滚动轴承的故障类型未知时,训练数据在反向传播中无法进行运算;同时民航发动机滚动轴承的故障数据量通常无法满足深度神经网络的需要。分别针对上述两类问题,本文融合迁移学习。（1）通过特征迁移的方式利用多核最大均值差异来评估源域数据与目标域数据之间的分布差距,并将其作为目标函数的一部分在训练的过程中不断缩小两种数据的分布差距,结合源域数据实现无标签训练样本在本文模型中的训练,且最终对目标域的状态识别率达到90%以上;（2）通过模型迁移的方式利用目标域少量训练样本对经过源域海量数据预训练的模型进行再训练,改善诊断模型在少量训练样本上训练效果差的问题,实验表明提升最高可达37%。