旋转机械设备在制造业中应用广泛。典型的旋转机械有:航空发动机、风力发电机和燃气轮机等,它们都是各自领域内的核心装备。为保证旋转机械的稳定高效运行、避免严重事故的发生,需要监测其运行状态、及早发现设备的异常并进行诊断。因此旋转机械故障诊断技术研究具有重要的工程意义与价值。近年来,数据驱动的旋转机械故障诊断方法发展迅速,但现有的方法特征提取能力不足、抗干扰能力弱,且难以应对故障样本不足的问题。残差收缩网络是一种新型神经网络模型,其通过软阈值非线性变换层自适应地筛选重要特征,能够对高噪声振动信号进行深度特征提取,提升故障诊断精度。本文以残差收缩网络为基础,针对实际应用中存在故障特征混叠、故障样本不足、多传感器信号融合等问题开展旋转机械的故障诊断方法研究。针对复合故障样本的特征混叠问题,本文提出了基于大间距残差收缩网络（L-DRSNet）的故障诊断方法。该方法借助残差收缩网络的深度特征提取能力与抗噪声干扰能力,增强诊断模型的特征学习能力。此外,引入的Large-Margin Softmax函数能够调整特征空间内的样本分布,促使同类样本聚集、不同类样本离散,优化复合故障样本的识别效果。利用实验台数据评估方法对复合故障样本的识别的效果,其各项评价指标均优于对比方法且样本分布符合预期。针对故障样本类别间数量不均的问题,本文在大间距残差收缩网络中融入Focal Loss函数,提出了基于FL-DRSNet模型的小样本故障诊断方法。在模型误差反向传播时,Focal Loss函数能够通过降低易分类样本的权重,调整模型参数的优化方向;促使模型聚焦分类困难的少数复杂样本,从而实现样本不平衡条件下的小样本故障诊断。利用不平衡数据集对该方法进行验证,结果表明方法对少数复杂样本的识别效果有所提升。针对单个传感器难以表征大型旋转机械完整故障信息的问题,本文提出了基于MSF-DRSNet模型的多传感器故障诊断方法。该方法先利用CEENDAN算法分解原始振动信号,获得其各阶本征模态分量,将单振动信号转换为二维特征图;再通过多通道卷积将多传感器信号融合成三维特征图,以三维特征图作为数据样本输入诊断模型。利用单传感器输入和多传感器信号输入进行对比实验,证明了方法的可行性且效果优于单传感器故障诊断方法。