滚动轴承作为高速列车走行部的关键部件,其健康状态直接关系到列车的安全运行,因此对其进行状态监测与故障诊断具有重大意义。本文基于卷积神经网络,针对不同领域知识学习条件下的故障诊断任务,分别研究了高速列车滚动轴承在不同工况、不同物理量之间的迁移诊断以及基于多源信息的融合诊断。主要工作如下:首先,针对目标任务标注样本数量少,使用浅层网络模型难以保证分类效果的问题,提出了一种基于Res Ne Xt-50的深度迁移诊断模型（Transfer Convolutional Neural Networks,TCNN）。结合基于参数迁移的学习策略,将在Image Net数据集上训练好的Res Ne Xt-50作为特征提取模块进行滚动轴承的跨工况与跨物理量的迁移诊断。基于凯斯西储大学轴承数据和高速列车单轴滚振实验台数据,证明了该模型不仅具有较强的分类性能,而且可以降低在小容量标注样本的诊断任务中深层网络模型的训练难度。其次,针对仅在深层网络末端嵌入最大均值差异（MMD）正则化约束难以解决深层次特征可迁移性显著下降的问题,提出了改进的领域自适应诊断模型（Domain Adaptation Neural Networks,DANN）。与TCNN不同,DANN不需要依赖预训练好的深层网络模型进行特征知识的迁移,而是通过在多个特定任务层中嵌入MMD正则化项对模型参数进行约束,以减少源域和目标域的数据分布差异。基于凯斯西储大学轴承数据和高速列车单轴滚振实验台数据进行了测试,结果表明,该模型具有较强的学习领域不变性的能力,较传统迁移诊断方法提高了网络深特征的可迁移性。最后,针对单一类型传感器数据包含的故障特征信息有限,表征滚动轴承运行状态能力较差的问题,提出了改进的双流卷积神经网络融合诊断模型。将加速度传感器数据和声音传感器数据分别作为两个单通道卷积神经网络模型的输入,进行特征层次的多源信息融合。基于高速列车单轴滚振实验台数据进行了测试,结果表明,该模型能够综合多种类型及多方位的传感器信息并有效扩充特征空间,提高了基于单一物理量的智能诊断方法的鲁棒性。