滚动轴承是旋转机械中最为重要、应用最为广泛的零部件之一,因其复杂的工况和结构复杂,是旋转机械故障中最常见的故障来源之一。若该部件出现故障问题,将会造成很大的安全隐患,可能会导致无法估量的经济损失。因此,在滚动轴承的智能故障诊断中,实现其智能化的应用具有十分重要的现实意义,一直是故障诊断研究领域的焦点。虽然经典的机器学习方法可以解决滚动轴承故障诊断中的许多问题,但它仍然存在一些局限性,如需要大量有标记的数据进行训练,复杂的特征需要人工提取且耗时耗力,强噪声环境下效果不佳等。因此,本文针对以上问题展开如下研究:（1）针对实际生产环境中存在的故障数据难以获取导致的类别不平衡等问题,本文将半监督学习生成对抗网络和残差网络相结合,利用残差块对生成器和判别器进行优化,从而有效提高生成对抗网络的数据生成性能,同时,本文改进了网络模型中的损失函数,使得网络更加关注故障样本。然后利用生成数据对样本进行扩充,形成平衡数据集。实验表明,所提出的方法能够有效解决类别不平衡问题,比对比算法具有更高的诊断准确率。（2）针对强噪声环境下如何提高滚动轴承故障诊断的精度的问题,本文采用软阈值来自适应学习噪声阈值,以达到降噪的目的,此外,考虑到传统激活函数进行固定的非线性变换不利于提升特征学习能力,故采用自适应参数整流器线性单元作为激活函数,为减少网络的计算量改进了残差收缩模块的网络结构,最终提出了基于改进的深度残差收缩网络的故障诊断方法。通过在原始信号中加入不同等级的噪声进行实验,验证了模型具有优良的降噪性能和较高的诊断准确率。（3）针对变负载下的滚动轴承故障诊断性能差的问题,因为滚动轴承振动信号是时序信号,具有局部突变性的特点,本文提出了基于时间域的注意力模块,在此基础上结合残差收缩网络中的通道域注意力模块,得到基于串行混合域注意力的模块,最终提出了基于混合域注意力的深度残差收缩网络诊断模型。通过实验对比分析,发现所提出的方法更能捕捉到振动信号不同域内的重要特征,进一步提高了变负载下滚动轴承故障诊断方法的敏感度和有效性。