滚动轴承作为机械结构中的常见部件,在大载荷、强冲击等复杂工况下,极易产生各种故障,直接导致机械设备工作状况恶化。基于振动信号的轴承早期故障检测技术能够对轴承的健康状态进行检测,及时的发现故障,从而避免因机械设备工况恶化造成严重的后果。近年来,对轴承早期故障的检测和诊断已经得到广泛研究,但是对于轴承早期故障的检测、尤其是早期故障的在线检测还处于起步阶段。总体而言,目前早期故障在线检测存在以下挑战:1)提高早期故障特征的判别能力;2)自适应识别在线（贯序）数据分布的不一致性;3)避免人工设定检测标准,实现自动检测;4)降低误报警率。针对以上四个问题,本文从在线检测模型构建和早期故障特征表征能力入手,分别引入半监督学习和深度迁移学习,实现自适应在线数据的变化和跨工况早期故障信息的有效迁移,以解决在线数据不充足和早期故障特征不显著所导致的在线检测结果靠后和误报警率大的问题。主要的研究内容包括:（1）为自适应在线数据的动态变化,从在线检测模型出发,提出一种基于半监督学习和深度特征表示的早期故障在线检测方法。这种方法在在线数据不充足的情况下,有良好的检测效果。首先,引入目标轴承初始阶段的部分正常样本和辅助轴承的晚期故障样本,采用一种深度学习模型,即堆叠降噪自编码器（Stacked Denoising Auto-encoder,SDAE）自适应提取振动信号的深度特征;其次,利用安全半监督支持向量机（Safe Semi-supervised SVM,S4VM）对贯序到达的目标轴承数据自动分类为正常状态或故障状态。为了有效地更新分类器模型,在在线状态检测过程中,使用主曲线生成综合故障数据来保持数据类的平衡。最后,提出一种新的基于S4VM泛化误差界（Radius Margin Bound,RMB）的故障报警标准来自适应识别早期故障的发生。为了验证所提方法的有效性,本文在IEEE PHM Challenge 2012、IMS和XJTU-SY三个轴承数据集上进行验证实验,结果表明,本文所提方法有效且稳定,可显著降低误报警数。（2）为增强早期故障特征的辨别能力,从迁移学习的角度出发,提出了一种基于深度迁移学习的早期故障在线检测方法。首先,提出一种面向多域迁移的深度自编码网络,通过构建具有改进的最大均值差异正则项和Laplace正则项的损失函数,在自适应提取不同域数据的公共特征表示的同时,提高正常状态和早期故障状态之间特征的差异性;基于该特征表示,提出一种基于时序异常模式的在线检测模型,利用离线轴承正常状态的排列熵值构建报警阈值,实现在线数据中异常序列的快速匹配,从而提高在线检测结果的可靠性。在XJTU-SY数据集上的实验结果表明,与现有代表性早期故障检测方法相比,本文方法具有更好的检测实时性和更低的误报警数。本文在在线数据不充足的情况下,分别从模型自适应更新和早期故障特征迁移两个角度展开,在提高检测结果的实时性同时,有效降低了误报警率。这为滚动轴承的在线状态监测和健康管理问题提供了有效的解决方案,也为各类旋转机械的实时故障预警提供了有益参考,具有显著的学术研究和工程应用价值。