安全可靠是机械装备正常运行的基础,一旦发生故障往往造成重大经济损失,小则停产停工,大则造成人员伤亡。因此,对设备的监测与故障诊断是是十分必要的。传统的机器故障是通过人工特征提取方法和人工模式识别进行诊断。在较复杂情况下,由于主观偏差容易降低人工诊断的精度。近年来,机器学习的发展催生了智能故障诊断技术。智能故障诊断方法包含特征提取和模式识别两个步骤。早期的模式识别常采用传统机器学习方法来实现,其特征提取仍然依赖先验知识,导致复杂情况下往往不能提取到深层次的特征。随着基于深度学习故障诊断技术的出现,通过增加网络层数能提取到更显著、层次更深的特征,解决了依赖先验知识提取特征的问题。然而,当把训练好的深度网络模型应用到变工况条件下的故障诊断中,由于数据分布偏移导致模型不具备良好的泛化性能,进而造成诊断精度变差。随着迁移学习的出现,为变工况条件下的故障问题提供了有效的诊断途径。本文将以变工况下故障的轴承和行星齿轮箱为研究对象,开展基于迁移学习的诊断方法研究,来解决变工况下智能故障诊断问题。具体工作如下:（1）通过结合卷积神经网络（CNN）和长短时记忆网络（LSTM）,提出一种基于时空神经网络（STN）的具有类间差异最大化的联合分布域适应模型（ST-JAN）,使其不仅具备CNN能处理类似图像结构的数据以及提取数据的结构特征,同时还具备LSTM善于处理时间序列数据能力,能有效地提取数据多尺度的时间特征。以西储大学现场采集的轴承故障信号为分析数据,开展变工况下的滚动轴承故障诊断实验。结果表明,当SNR≥2d B时,诊断精度达到98%以上。（2）通过引入注意力机制来改进特征提取器,构建一种时空注意力网络（ASTN）,并在基于差异域适应基础上融合域对抗策略,提出基于ASTN的融合域适应故障诊断方法（AST-JDAN）。将ASTJDAN模型应用于变工况条件的二级行星齿轮箱的故障诊断中,结果表明当SNR≤2d B时,与ST-JAN诊断方法相比,AST-JDAN的诊断精度提升了3%-4%。当SNR＞2d B时,诊断精度达到98%以上。（3）基于PyQt5的Python库下,开发了一套旋转机械信号分析及轻量化时空神经网络域适应故障诊断系统。诊断系统前端采用多界面模式,包含数据预处理、信号初步分析、智能故障诊断三个模块。其中,信号初步分析模块包含频域分析、小波分析、包络分析。智能故障诊断模块通过模型压缩技术轻量化ST-JAN和ST-JDAN故障诊断模型,并部署到系统中,进行变工况下目标域无标注数据的故障诊断,验证了ST-JAN和ST-JDAN模型部署到上位机的可行性。