旋转机械设备中轴承作为核心零部件,其健康状态对于保障设备的正常运行与人身安全事故起着至关重要的作用,如何有效地进行机械设备状态监测与故障诊断,最大程度保障工业现场的生产效率和经济价值,成为当下热点问题。随着工业4.0和大数据时代的到来,基于样本驱动的故障诊断问题逐渐成为研究热点之一。本文针对工业现场样本存在不平衡或缺失等问题,以轴承为研究对象,运用深度迁移学习方法开展研究。主要进行以下几个方面的研究:（1）本课题在智能制造时代中的研究背景及工程意义,介绍轴承故障原理,调研分析信号处理、机器学习、深度学习和迁移学习等方法在旋转设备故障诊断领域的研究现状,并阐述本文的主要研究方法。（2）以变转速跨域轴承故障诊断为研究目标,采集的不同转速下故障轴承振动信号通过短时傅里叶变换将一维信号转化为二维图像信号,嵌入多核最大均值差异度量领域样本的边缘分布差异,通过同实验平台和跨实验平台（添加高斯白噪声）的跨域验证与分析,最终实现监督学习下不同转速轴承的故障迁移诊断,证明该方法的有效性和鲁棒性。（3）以变负载跨域轴承故障诊断为研究目标,结合故障轴承振动信号特点,利用小波变换改进卷积神经网络,使得卷积层具备降噪能力。引入最大均值差异度量改进后的深度卷积神经网络,改善领域间样本的边缘分布差异,通过平衡分布自适应进一步改善条件分布差异。通过同实验平台（添加高斯白噪声）和跨实验平台的跨域验证与分析,最终实现无监督学习下不同负载的轴承故障迁移诊断,证明该方法的有效性和鲁棒性。（4）以变故障尺寸跨域轴承故障诊断为研究目标,结合声发射信号和振动信号,进行时序置换规范化处理。将预处理后的轴承样本分别通过学习能力强、复杂度高的教师模型和学习能力弱、结构简单的学生模型进行预训练,分别获取软目标损失和硬目标损失,并引入分层迁移方法至软、硬目标损失,获取最终蒸馏损失,并将蒸馏损失的参数权重反馈至学生模型,使简单模型具备高级模型的学习能力,进而实现跨模型的故障迁移诊断。最后通过同实验平台和跨实验平台的跨域验证与分析,证明该方法的有效性和泛化性。