深度学习因其强大的特征提取能力,给滚动轴承剩余使用寿命预测问题提供了新的解决办法。在实际工况下,难以获得大量的带标签的训练数据,并且无法保证在不同工况下采集的轴承振动数据具有相同的数据分布。以上问题往往会导致在一种工况数据下训练好的预测模型在用于另一种工况下的预测时,预测精度明显下降。因此,如何实现在一种工况下训练的轴承剩余使用寿命预测模型,在预测目标领域寿命时有良好的效果,这是智能寿命预测领域亟需解决的问题。领域自适应方法为我们解决这类问题提供了一种新的思路,该方法通过相似性度量,通过一定的学习手段减小两个领域之间的数据分布差异,从而使得在一个领域训练的模型,在另一个领域中也有良好的性能。因此,本文将深度神经网络与领域自适应方法结合起来,解决滚动轴承剩余使用寿命迁移预测问题。本文的主要研究内容包括:（1）介绍了轴承剩余使用寿命预测和领域自适应方法的研究背景以及国内外研究现状,针对目前研究存在的一些问题进行了分析。接下来详细地阐述了深度学习相关理论知识以及领域自适应方法,建立跨工况的轴承剩余使用寿命预测模型。（2）针对不同工况下轴承振动数据难以保证相同的边缘分布和条件分布的问题,提出了一种基于跨域均值逼近的轴承剩余使用寿命预测方法。该方法的重点是将源域和目标域数据映射到公共低维特征子空间,并最小化源域和目标域特征的边缘分布差异和条件分布差异。并通过回归模型进行轴承剩余使用寿命的预测。实验结果表明:与其他领域自适应方法相比,基于跨域均值逼近的联合分布自适应方法能够适用于训练数据和测试数据的条件分布和边缘分布均不相同的情况,这将提升本模型的泛化性和鲁棒性,可以实现不同工况下或同一工况下的不同轴承间剩余寿命预测迁移问题。（3）针对轴承早期健康阶段数据影响剩余使用寿命预测效果的问题,提出一种针对快速退化阶段数据的基于对抗域自适应的轴承剩余使用寿命预测方法。首先进行轴承健康阶段的划分,使用等渗回归对振动数据进行预处理,平滑退化信号中的随机波动;然后,通过测量滑动窗口内的退化梯度进行健康阶段识别,表征退化趋势并识别跳跃点,识别出退化点,从而划分健康阶段。在此基础上,选择轴承退化阶段的振动数据进行实验。使用预训练的源特征提取器和源寿命预测模块初始化目标特征提取器和目标寿命预测模块的参数。为了解决域差异问题,我们针对域判别器网络对抗性地训练特征提取器,以最小化源特征和目标特征之间的分布差异。最后使用更新参数的目标特征提取器提取特征,并进行剩余使用寿命预测。实验结果表明本文方法的有效性和优越性。