旋转机械出现故障不仅会影响设备的正常运行,而且可能带来重大经济损失,甚至危害操作人员的生命安全,造成严重事故。轴承是一种应用广泛且极其重要的旋转机械部件,当前机械设备的精密化、复杂化使设备可靠性问题越来越被重视,轴承的故障诊断具有重要意义。面向实际工程应用时,受负荷、转速等因素影响,轴承工况多变,故障信号的特征分布偏移会降低故障诊断模型的泛化能力。本文基于领域自适应理论,围绕变工况下的轴承故障诊断技术进行了研究。对现有的轴承故障诊断方法和涉及的理论基础进行介绍,总结分析当前智能故障诊断的难点问题。对本文实验所用的轴承数据集进行分组和选取,构成适用于不同实验场景下的数据集。为了对故障特征自适应提取,构建二维卷积神经网络模型,将轴承振动信号作为输入,通过网络各层对抽象特征融合完成分类任务,并通过CNN结构选择实验确定特征提取器和故障分类器结构。针对故障特征分布差异的问题,提出基于相似性度量领域自适应的轴承故障诊断方法。结合领域自适应和相似性度量思想,在域间相关对齐的同时减少类内的差异。利用领域自适应模块CORAL缩小源域和目标域之间的分布差异,使模型能够有效学习域不变特征。引入相似性度量最大化输入特征与中心特征之间的相似性,用目标域预测标签中包含的故障分类信息作为特征聚类的划分中心,减小每个故障类别的类内距离,使模型能够学习与故障类型具有高相关性的特征。通过两个数据集上的实验验证模型能够提升跨域的泛化能力,实现变工况轴承故障诊断。为进一步表征多源域中轴承振动信号的特征信息,针对多源域故障诊断问题,提出多源域对齐自适应轴承故障诊断方法。对每一个源域和目标域组合分别进行领域自适应,然后将学习到的特征输入对应的分类器。引入分类器差异损失,最小化各源域分类器输出之间的差异,使分类器在目标域上的分类结果趋于一致,计算各分类器输出概率平均值作为诊断结果。通过变负载和变转速条件下的实验证明模型的有效性,通过对比现有单源域自适应和多源域自适应方法及消融实验,证明了该方法能充分利用多个源域中的故障分类信息,在未知目标域标签和缺少先验知识的情况下,为模型带来更均衡的数据分布和更高的分类精度。