轴承故障诊断是旋转机械设备维护中重要的一环。在新的大数据时代当中,机械大数据的大容量、低密度、多样性、时效性等特征也对轴承故障诊断提出了新的要求与挑战。一是传统轴承故障诊断方法侧重于人工参与的复杂信号处理与特征提取步骤,其效率过低,即无法处理海量的工业大数据,也无法保证数据处理的时效性;二是在实际采集到的轴承数据中,由于绝大多数采集到的数据均对应机械装备的正常运转工况,故障信号稀缺,难以采集到所有工况下的故障信号,导致可用训练数据稀缺。针对这两个问题,本文提出了基于堆叠自编码器的端到端轴承跨域迁移故障诊断模型。首先作为模型训练的前提,本文在实验室中采集了用于模拟真实场景的轴承故障数据集,通过包络分析将自采集数据中轴承故障特征频率与由理论推导出的理论值进行对比,确定了本文所采用的数据集对于轴承故障具有足够的代表性,为模型的训练提供了数据基础。为了增强一维卷积神经网络在迁移学习任务中的泛化能力。本文参考自编码器原理搭建了双通路堆叠自编码器网络（CDSAE）,模型由编码器、解码器模块构成的特征提取器,域判别器与分类器构成,使用DCTLN方法进行各个域之间数据分布的对齐,使模型提取出更多不同数据源之间共享的特征。本文在自编码器结构基础上改进的双通路传递结构与通道压缩层有效地拓展了使用分布差异度量指标在寻找不同域之间共同特征的性能与进一步的特征提取能力。在CDSAE模型的基础上,本文针对卷积神经网络可解释性差、参数过多的问题,提出了一种对信号的低频分量更加敏感的自适应小波卷积核自编码器结构（AWKSAE）,将模型中第一层的卷积核改为Morlet小波窗函数卷积核。有效地在保证模型深度的前提下减少了模型参数量,提升了模型的训练效率,同时增强了模型的可解释性与抗噪声干扰的鲁棒性。本文对上述迁移方法效果进行了验证性测试。分别通过跨转速与跨设备的七组实验,证明了本文提出诊断方法在变转速、跨设备、变负载以及不同轴承类型和噪声干扰等多种情况下的有效性。