机械设备工作环境复杂恶劣,对其开展故障诊断势在必行。随着工业大数据时代到来,如何从海量机械设备数据中挖掘潜在的故障信息,实现机械设备复杂运行环境下的高效高精度智能故障诊断是目前的研究难点与热点问题。基于传统机器学习与深度神经网络（Deep Neural Network,DNN）的诊断方法得到了广泛的研究,然而上述方法存在以下局限性:a)传统机器学习需要专业知识手工筛选特征,效率较低,而训练深度神经网络需要大量标记样本,但典型故障样本往往难以获取,导致深度网络难以在实际生产中应用;b)运行于不同工况的设备,其数据来自不同的特征空间分布,根据单一工况数据训练的深度学习模型对其他工况数据的故障诊断能力会大幅下降;c)智能模型为了提高诊断准确率,模型的参数越来越复杂,导致诊断时长增加,难以适用于机械设备的实时故障诊断。自监督学习（Self-supervised Learning,SSL）可从大规模无监督数据中挖掘样本自身的监督信息,通过自我构造监督信息对网络进行预训练,可学习到对下游任务有价值的表征,为解决上述问题提供一种可潜在的途径。本文以自监督学习技术为核心,围绕上述不足,主要开展了以下工作:（1）为解决传统机器学习方法依赖人工提取特征,而DNN需要大量手工标记样本训练诊断模型的问题,提出一种基于对称式对比学习的无监督故障状态识别方法,所提方法以动量对比学习（Momentum Contrast,Mo Co）为基础,对原始数据进行正负样本划分、数据增强操作,构造对称式对比学习网络,通过无标签样本学习原始数据的深层表示。通过齿轮箱数据集验证所提方法可实现无监督故障识别。（2）为减少变工况下源域数据和目标域数据存在的分布差异,提高跨工况下的故障诊断精度,以对称式对比学习框架为基础,提出一种基于自监督域对抗迁移网络的无监督故障诊断方法,通过引入梯度反转层构造域对抗训练模块,实现了无监督知识迁移。通过滚动轴承数据集验证了所提方法相较于对比方法有更好的聚类性能和域适配能力。（3）为有效减少网络的模型复杂度,提高诊断模型的快速与实时故障诊断能力,提出一种基于自监督二值化蒸馏网络的模型高效压缩与快速故障诊断方法,以（1）、（2）中的已训练网络作为教师网络,Re Act Net二值化网络作为学生网络,通过知识蒸馏训练Re Act Net。构造小样本微调和无监督域对抗迁移两个独立试验,验证所提方法能够显著降低模型的算力消耗,实现模型快速实时诊断。所提方法解决了无标签样本驱动下的特征提取与故障诊断,跨工况下的诊断知识迁移,以及诊断模型的高效压缩与快速诊断难题,可为机械设备智能故障诊断提供一种新颖的解决方案。