机械装备的健康管理是保证生产正常运转、避免安全事故、保障人员安全、提高经济效益的关键。其中,轴承作为应用性广、工作场景复杂的支撑部件和回转零件,其健康状态的监控、管理与预测,关乎各机械系统、部件的正常运行,因此具有重大意义。轴承故障诊断的难点在于轴承安装部位多为不易接近的位置、零部件拆装不易;轴承型号多变,标件非标件混杂;工作环境复杂,以航空发动机为例,部分场景具备高温、高压、复合振动的特点。因此,采集到的振动信号中包含较多的噪声干扰,其故障特征易被污染。而随着工业界需求的发展,多传感器数据的融合诊断、小目标域的故障诊断,已得到越来越多的关注。本文基于深度学习技术,以滚动轴承的故障状态作为研究对象,开展了以下研究:首先,论文设计了滚动轴承故障信号的采集实验方案,对振动信号进行了采集。为了增强信号特征,以及便于神经网络学习,对原始信号进行了预处理,并通过实验对比,确定了信号的平滑方法、信号样本的划分方法。其次,本文提出基于一维降噪卷积神经网络（1d-Dn CNN）的轴承故障诊断模型。实验表明,该模型具有高斯降噪特性以及卷积神经网络的分类特性。为优化1d-Dn CNN的网络结构,本文使用自适应遗传算法的对网络超参数进行调参。与基于麻雀搜索算法、哈里斯鹰算法进行超参数优化的Bp分类网络进行对比,本文方法具有更快的收敛速度以及更高的诊断精度。再次,为实现基于多通道信号对轴承故障诊断,提出一种基于多通道信号的加权融合算法。先基于信息熵计算各通道信号的信息丰富度,进而分配初始权重;然后基于D-S证据理论,以相关系数矩阵分配各通道信号的信任度指标,并以此分配修正权重;最终,基于修正权重实现信号融合,将融合信号作为1d-Dn CNN的网络输入。经自测数据集实验验证,该方法可实现良好的故障诊断精度。最后,为将故障诊断推广到小样本域,提出使用迁移学习方法实现跨转速、跨轴承的故障诊断。实验表明,基于参数迁移可以高精度地实现对跨转速目标领域的故障诊断。对于跨轴承诊断任务,基于特征适配的迁移学习方法则有良好的诊断性能。