机械设备被广泛应用于工业、农业、交通和医疗等各个领域,发挥着重要的作用。然而机械一旦出现故障,轻则降低机械运行的效率,重则会导致停机甚至人员伤亡。因此,对机械进行故障诊断具有重要意义。目前深度学习被广泛应用于机械故障诊断领域,提升了机械故障诊断的准确率。然而实际应用中由于噪声的干扰以及变工况场景下数据分布会发生变化,一般深度学习模型对数据信息挖掘不足,准确率较低。针对上述问题,本文设计了基于深度学习的机械故障诊断模型。主要研究内容如下:（1）噪声环境下机械运行过程产生的振动数据中的信息容易被淹没,现有深度学习模型对噪声数据中故障判别信息深入挖掘的能力不足。因此,本文融合使用时域和频域数据,并依据一维振动数据的特点,利用多宽核层、注意力机制和全局池化层构建一维卷积神经网络模型,以提高模型在噪声环境中对故障数据的识别效果。通过实验验证了该模型的有效性。（2）机械振动数据在变工况下存在数据分布变化的问题,但现有深度迁移学习模型应用时对目标域数据伪标签利用不足。因此,本文提出一种单源深度迁移学习模型以解决变工况下的机械故障诊断问题,在使用局部最大均值差异对齐类别的同时,引入三元组损失进一步增大目标域不同类数据之间的距离,同时将带软伪标签的目标域数据的分类损失加入模型训练,以提高对目标域边界样本的识别率。通过实验验证了本文模型在变工况场景下的有效性。（3）多源域数据相比单源域有更好的故障识别效果,但现有多源深度迁移学习模型在多个源域数据分布差异较大时效果差并且存在特征分布对齐错误的问题,因此本文提出一种多源深度迁移学习模型。该模型结合辅助源域、独立特征提取器、使用Wasserstein距离对齐分类器以及加权决策以减少源域数据分布差异带来的负面影响,并结合最大均值差异、局部最大均值差异以及三元组损失对齐源域和目标域的特征分布以减少分布错误对齐的概率。实验结果表明提出的模型相比其他模型具有更好的效果。