机械大数据具有低信息密度、海量性、多样性、高速性、多源异构性等特点,传统车辆故障诊断方法需要依靠大量专家经验,无法实现自动、高效特征提取。此外,车辆设备的工况多变、数据集样本不平衡等问题也亟待解决。本文为了满足车辆传动旋转部件的诊断需求,以深度学习理论和迁移学习理论为基础,深入地开展数据驱动的传动旋转部件（齿轮、轴承）的智能故障诊断方法研究,论文主要工作如下:（1）针对样本稀少工况下车辆传动旋转部件快速、精确故障诊断问题,建立了自适应重叠卷积网络框架（Adaptive Overlapping Convolutional Neural Network,AOCNN）。AOCNN框架不仅能实现直接从信号样本中自动提取具有平移不变性的特征,也通过平行卷积层实现了网络的快速训练。带有AOCNN框架的网络优点是:只需要对局部特征提取网络进行训练,降低了网络训练中的样本需求,进一步提升了网络的训练速度和泛化能力。轴承和齿轮故障诊断试验结果表明,带有AOCNN框架的稀疏滤波算法或自动编码器,都可直接使用少量原始振动信号样本,快速训练得到高精度故障诊断网络。（2）针对高故障敏感稀疏特征快速提取这一热点问题,建立了通过监督机制引入特征稀疏性的参数化稀疏标签矩阵（Parameterized Sparse Label Matrix,PSLM）,并结合PSLM和特征拓扑结构提出监督稀疏滤波算法（Supervised Sparse Filtering,SSF）,实现了高故障敏感稀疏特征的提取。SSF算法优化时收敛迅速,且提取的故障敏感特征能有效提高故障诊断精度和诊断稳定性。通过特殊设计的含15类健康状况的轴承数据集,验证了SSF提取故障敏感特征方面的高效性。研究表明,SSF也能和AOCNN框架有机结合,进一步提高直接使用信号样本时的故障诊断性能。此外,PSLM也能在自动编码器等特征提取网络中引入稀疏性,加强其稀疏特征提取能力。（3）鉴于车辆传动旋转部件各类故障样本不平衡工况下故障诊断效果不佳的实际问题,通过分析稀疏滤波算法在样本不平衡时出现的性能退化,提出了平衡稀疏滤波算法（Balanced Sparse Filtering,BSF）。BSF首先从代价敏感度分析角度出发,建立平衡矩阵来解决网络训练中参数更新不平衡问题,之后通过减小各类样本特征稀疏度差异,提高罕见类样本特征的可区分性。轴承数据集上的多类不平衡案例的试验结果表明,提出的方法能有效抑制样本不平衡带来的诊断网络性能退化问题。（4）针对车辆设备中旋转部件工况频繁变化时的故障诊断问题,引入迁移学习方法自适应批标准化（Adaptive Batch Normalization,Ada BN）,并结合深度网络堆叠自动编码器（Stacked Autoencoders,SAE）,构建了Ada BN-SAE网络。Ada BN-SAE通过对各层特征的边缘分布进行适配,提取不同工况下同类故障样本的共享特征,提高网络在各类工况之间的迁移性。在特殊设计的变工况齿轮箱故障诊断试验中,相对于未使用Ada BN方法的网络,Ada BN-SAE大幅提高了网络诊断精度和稳定性,扩大了网络在实际应用中的适用范围。此外,对各网络层特征的研究结果表明,Ada BN-SAE提取的特征共享性和可区分性都随着网络深度的增加不断增强。（5）车辆传动旋转部件的复杂工况变化往往会引起故障数据集的联合分布偏移,针对现有变工况故障诊断方法只考虑数据集边缘分布偏移的问题,提出了自适应联合分布适配方法（Adaptive Joint Distribution Alignment,AJDA）,并结合AJDA构建了深度迁移网络（Deep Transfer Network,DTN）。AJDA使用软标签代替现有伪标签,实现了更加平滑的条件分布适配,并引入了动态分布适应方法（Dynamic Distribution Adaptation,DDA）,进一步实现了不同数据集联合分布的动态适配。研究表明,所构造的DTN能够提取具有很强共享性和稀疏性的特征,实现了更精确、稳定的故障诊断,并进一步提高诊断网络对复杂工况变化的鲁棒性。（6）针对实际车辆故障诊断任务中机械变工况和样本不平衡工况往往相伴而生的问题,提出了改进联合分布适配方法（Improved Joint Distribution Alignment,IJDA）。IJDA首先结合数据增强方法和高斯白噪声来生成伪样本,解决了样本不平衡问题,接着使用两级特征提取和AJDA方法,进行共享故障敏感特征快速提取,最终通过仅一个工况下的数据集训练得到的分类器,完成了变工况故障诊断。我们通过具有转速大波动的轴承数据集进行试验验证,试验结果表明,IJDA能够在工况大范围变化的新数据集上,得到精确稳定的诊断结果,实现了更加切合实际应用的精确故障诊断。