滚动轴承在旋转机械的运行中起着重要的支撑作用,是保证其稳定、正常运行的关键部件。对滚动轴承进行状态监测不仅可以避免严重的人身事故,也可以避免造成巨大的经济损失。深度学习以及人工智能技术的发展,使得对轴承的状态监测趋于智能化。在工程实际应用中,即使其运行很长的时间,也不会发生故障。这就使得收集到的数据中正常的数据远远多于故障的数据,这种不平衡的数据集会极大的限制故障诊断精度的提高。针对这一问题,本文利用生成对抗网络提出了两种不同的诊断方法。主要工作如下:（1）传统的滚动轴承数据集增强方法只是对原始数据的简单变换、插值和复制。生成对抗网络（Generative Adversarial Network,GAN）能在训练中掌握真实数据的分布,生成非常真实的数据。但原始的GAN有着训练困难、生成样本单一、梯度消失、生成样本没有指向性以及生成样本质量差的问题。针对上述问题,提出了一种基于条件梯度惩罚生成对抗网络（Conditional Wasserstein GANGradient Penalty,CWGAN-GP）的轴承各类别样本生成方法。首先应用小波变换分析轴承振动信号得到时频图;然后用时频图训练CWGAN-GP;最后,待模型收敛,取出生成器生成轴承各故障类别样本。实验结果表明该方法可以在几乎不需要调参的情况下,仅需训练一次就可以生成多类与真实轴承时频图高度相似的样本。（2）针对不平衡数据集会导致故障诊断识别率低的问题,提出了一种基于CWGAN-GP与卷积神经网络（Convolutional Neural Network,CNN）的故障诊断方法。首先使用CWGAN-GP生成轴承各类型故障样本;然后将其与真实样本合并用于训练CNN得到诊断模型;最后使用测试集测试诊断模型。实验结果表明,相比于数据集平衡前,该方法故障诊断的精度和鲁棒性都有较大幅度的提高。（3）针对不平衡数据集与变工况的情况会导致故障诊断识别率低的问题,提出了一种基于CWGAN-GP的二次迁移故障诊断方法。首先使用源域和目标域的少量样本混合形成融合数据集用于训练CWGAN-GP并生成过渡数据集;之后使CNN在源域、过渡数据集和目标域之间进行迁移学习得到模型;然后使用目标域的少量样本对其调整得到诊断模型;最后使用测试集测试诊断模型。实验结果表明,该方法在变工况以及数据集不平衡的故障诊断问题中具有较高的诊断精度以及较好的鲁棒性。