状态评估与剩余使用寿命预测算法研究为动车组轴承运行和维护管理提供强有力支撑。随着传感技术迅猛飞速发展,基于数据驱动的深度学习方法在故障诊断和健康管理研究领域逐渐成为较为有效的研究方法。然而,在数据匮乏的情景中,基于有监督的深度学习方法性能通常会骤降,甚至会失效,例如在运行工况复杂、振动监测数据为非全寿程数据等情景。迁移学习方法通过半监督或非监督建模,构建源域数据到目标域数据之间的映射关系,从而在目标域上实现与源域相同或相似的预测性任务,很大程度地解决了数据不足或缺少标签所带来的问题。本文围绕动车组滚动轴承退化数据为非全寿程、退化数据稀缺、标签缺失等问题,分析了基于深度学习的轴承健康状态评估、剩余使用寿命预测方法的优缺点,针对混合多工况、跨工况、以及跨设备三种不同情景退化预测（状态评估和剩余使用寿命预测）,结合研究任务所对应难点,设计了半监督或无监督数据驱动的深度学习、深度迁移学习方法,分别开展了混合多工况轴承剩余使用寿命预测算法,跨工况轴承状态评估算法,以及跨工况和跨设备剩余使用寿命预测算法四项研究。具体工作和贡献如下:（1）混合多工况剩余使用寿命预测算法:针对目标工况数据量稀少的问题,设计了一种基于特征重构和特征降维的自编码器。通过对混合多工况轴承振动数据融合再重构,缩小不同工况间分布差异。此外,基于重构退化表征,引入非定长门控循环单元方法以捕获时间维度上退化规律,将基于混合多工况数据训练的模型应用到目标工况寿命预测。最后,在法国FEMTO-ST研究所轴承数据集、西安交通大学轴承数据集、以及高铁牵引电机轴承轴承试验台上验证了所提出的混合多工况轴承剩余使用寿命预测算法具有较为突出的性能。（2）跨工况健康状态评估算法:针对目标工况轴承振动数据为非全寿程（只有初期健康阶段和早期退化的振动数据）的情景,在传统卷积神经网络特征提取基础上,设计了一种基于图卷积网络特征挖掘算法,构建不同退化特征之间关联关系的深层表征。为了更好地将源域工况数据适配到目标工况数据中,在源域状态评估的损失函数之外,还额外增加了三项损失约束机制。通过迭代学习训练模型以优化参数,将源域工况和目标域工况轴承的实时健康因子泛化到一个广义的退化路径（从初期健康阶段的健康因子为1到发生故障后的健康因子为0）。所提出方法在法国FEMTO-ST研究所轴承数据集、高铁牵引电机轴承试验台上验证并分析。为了进一步验证所提出方法的泛化能力,还在NASA涡扇发动机数据集上验证分析。大量实验结果表明了所提出跨工况健康状态评估方法的有效性和泛化性。（3）跨工况/跨设备剩余使用寿命预测算法:针对目标工况中轴承退化标签缺失情景中有监督的剩余寿命预测方法失效问题,提出一种基于无监督的跨工况和跨设备轴承寿命预测方法。针对跨工况和跨设备寿命预测过程中存在较大的分布差异,设计了一个由特征提取器、回归预测器、领域判别器三个组件所构建的基于无监督的对抗式领域适配模型。最初,所提出方法是针对跨设备轴承寿命预测迁移鸿沟问题而设计。实验验证部分,还在同一设备上跨工况迁移预测情景中进行验证。大量且充分的实验证明了所提出方法在跨工况和跨设备轴承寿命预测场景中能得到显著性能。