现代化机械设备正朝着高速度、高载荷、高可靠性等方向发展,为保障机械设备安全运行,机械故障检测与诊断显得尤为重要。基于数据驱动的轴承智能故障诊断收到了广泛的重视。本文将深度卷积自编码网络与特征知识迁移理论引入到滚动轴承故障诊断理论中,为实现轴承智能故障诊断方法的实际应用提供了新的思路。主要研究内容如下:首先,在深入调研智能故障诊断理论研究现状,并对迁移学习理论在故障诊断中的应用有了进一步认识的基础上,阐述了智能故障诊断过程、相关深度学习与迁移学习原理及应用。其次,针对训练数据标签缺失与深度神经网络训练困难问题,研究一种基于一维残差卷积自编码网络的故障诊断模型。该方法以一维振动信号作为输入,利用引入残差学习的堆叠的一维卷积自编码网络提取信号特征,接着,采用softmax分类模型对故障特征分类,从而实现故障的分类。一维残差卷积自编码对无标签训练数据的学习,能揭示数据内在性质及规律,自动学习原始振动数据的故障细节特征,减轻深度神经网络的训练对有标签数据的过度依赖。最后,在实际应用中,受运行工况复杂多变、真实故障样本难以大量获取等因素影响,多数理论方法实际诊断效果并不理想,为此本文研究一种无监督域自适应迁移学习故障诊断方法:利用一维残差卷积自编码网络提取信号特征,并考虑到特征提取器学习的特征分布会随网络参数的更新而变化这一特点,融合多层多核概率分布适配约束网络学习域不变特征,实现无监督域自适应迁移学习的故障诊断。文中分析了该方法的重要参数,并以美国凯斯西储大学和德国帕德博恩大学的轴承故障数据集作为实验对象,验证本文研究方法的有效性。