为了保障复杂机械设备的安全可靠运行,近年来国内外学者开发了多种基于传统机器学习与深度学习算法的设备故障智能诊断模型。在实际工程应用中,在设备不同工作状况下采集的监测数据往往服从不同的分布,使得在原工况（源域）下训练的智能诊断模型难以适用于新的工况（目标域）。此外,给采集到的监测数据添加标签依赖于专家在专业领域的知识与经验,费时费力。因此,在机械设备改变工况后（目标域）,标签数据的获取十分困难,无法直接训练目标域下的智能诊断模型。面对数据的不同分布和标签数据的缺失,传统智能诊断模型并不适用于变工况的机械设备故障诊断。在本课题的研究中,针对复杂机电系统改变工况后标签数据的不同缺失程度,结合深度迁移学习提出了两种不同的智能诊断算法。本文在传统卷积神经网络（CNN）模型的基础上,借鉴了迁移学习领域的微调迁移思想,提出了基于CNN的深度特征迁移诊断方法（DFTD）,实现了目标域仅有小样本标签数据情况下的端对端诊断过程。在该方法中,首先使用快速傅里叶变换（FFT）将原始时域振动信号变换为频域信号;在源域中,训练CNN模型从中进一步提取有效特征并对数据进行分类;在目标域中,只需要少量标签样本训练模型的标签分类器以实现迁移学习功能。CNN模型与迁移训练相结合的方式在提高模型的泛化性能的同时节省了计算资源。针对机械设备变工况后的目标域没有标签样本的情况,本文基于动态对抗的迁移学习思想,提出了一种无监督动态迁移对抗学习算法（DTAL）。该算法由特征提取器、标签分类器、全局判别器和局部判别器组成。为了定量分析边缘分布和条件分布的自适应相对重要性,设计了一个动态对抗因子来调整全局判别器和局部判别器之间的损失权重。为能够提取更有辨别性的数据特征,开发了一种改进的特征提取器以处理一维机械振动信号。动态对抗网络结构与改进的特征提取相结合,在目标域无标签样本的情况下克服了源域与目标域之间不同数据分布的迁移问题,从而在不同工作状况下获得了较好的故障诊断性能。本文在两种典型的旋转机械系统（风力涡轮机齿轮箱和轴承）上验证了所提出的DFTD和DTAL方法,并与一些业内最先进的方法在特征质量和诊断精度上进行了比较。实验结果综合表明所提出的两种方法在诊断不同工况的机械设备故障中都具有更好的准确性和鲁棒性。