轴承是旋转机械中的关键部件,在现代工业系统中得到了广泛的应用。对轴承进行健康状态管理,准确地预测轴承的剩余使用寿命,能有效地改善机械系统的可靠性、安全性,防止出现重大故障,从而降低维护费用。随着大数据和人工智能等先进技术的发展,深度学习已经成为剩余寿命预测领域的热门话题。然而在实际工况下,基于深度学习的轴承剩余寿命预测方法的研究方法通常会有以下两个问题:（1）样本数据量不足,导致模型无法收敛;（2）样本数据的训练集和测试集的数据分布不一致导致预测性能的退化。因此,如何在少量样本下完成寿命预测,如何实现训练数据和测试数据分布不一致下的高性能寿命预测在实际应用中成为必须要解决的问题。本文围绕着领域自适应的思想和产生的负迁移情况,本文的主要创新之处及研究内容如下:（1）介绍了轴承剩余寿命的研究背景,研究意义,国内外的研究现状以及目前所存在的尚未解决的实际问题。然后将领域自适应的方法引入轴承寿命预测领域,用于实现不同工况下的轴承剩余使用寿命预测。（2）提出了一种基于最大均值差异的领域自适应的轴承寿命预测网络模型。首先对轴承原始振动数据采用最小-最大方法进行归一化处理。其次设计了一个三层稀疏自动编码器,用于提取源域的深层特征。然后生成服从标准正态分布的随机数据,并采用最大均值差异（Maximum mean differences,MMD）方法来最小化源域特征和随机生成数据之间的边缘概率分布距离,使模型能够学习不同轴承的域不变特征。最后利用双向长短时记忆网络（Bi-directional Long and Short Term Memory,Bi-LSTM）来预测轴承的剩余使用寿命（Remaining Useful Life,RUL）。从而建立了一种鲁棒性的网络模型,实现对不同工况下的轴承剩余使用寿命预测。（3）提出了一种基于特征对齐的领域自适应网络的轴承剩余寿命预测方法,该方法包括特征对齐和寿命预测的网络模块。在特征对齐模型中,先使用数据量等分的方法将原始数据分为三类,再利用感知机模型实现了对源域和目标域数据同时进行边缘分布适配和条件分布适配,进而获得了具有良好适应性的高维特征。在此基础上对适配后的特征利用双向长短时记忆网络,进行剩余使用寿命的预测。从而建立一种可消除负迁移的网络预测模型,实现对不同工况下的轴承剩余使用寿命预测。