旋转机械是一类应用广泛的机械装置,在工业生产中承担着重要的作用。面对逐渐复杂化和智能化的旋转机械设备,发展能够实时感知设备健康状态及退化趋势的健康状态管理系统是保障工业生产过程可靠性、安全性和经济性的重要举措。数据驱动的智能故障诊断是健康状态管理系统中的重要技术,其旨在利用机器学习技术从大量设备监测数据中学习故障的表现形式以及故障模式的识别规则。传统数据驱动的故障诊断方法获得良好泛化性能的前提是要求训练模型的数据和待测试的数据应满足同分布假设,而满足这个要求在实际的工程诊断任务中非常困难,因此限制着数据驱动故障诊断方法的工程应用。为了突破这样的限制,本论文重点讨论利用多来源的非同分布数据构建故障诊断模型的跨域故障诊断问题。通过借鉴迁移学习的思想,本论文主要研究了多个诊断知识迁移策略,目的是通过从单一或多个源域挖掘并迁移诊断知识来提升诊断模型对目标任务的泛化性能。具体的研究内容如下:（1）作为问题的提出,进行跨域故障诊断问题研究必要性和跨域可迁移性讨论。对于研究的必要性问题,分别从工程需求和方法两个层面进行讨论,重点对传统数据驱动故障诊断方法的跨域诊断性能进行分析;对于跨域可迁移性问题,主要从典型旋转机械振动模型的角度说明可实现跨域诊断的依据。（2）研究单源域场景下的跨域故障诊断问题。针对训练阶段目标域信息不完备的任务场景,提出一个相关假设来描述诊断知识的结构,设计一个迁移局部保持投影的特征变换方法,以期在新空间内显著减小目标域和源域的分布差异,从而实现模型跨域诊断泛化性能的提升。在齿轮和轴承的跨域诊断任务上,所提出的方法获得较多个对比数据驱动诊断方法优越的诊断性能,验证了方法的有效性。（3）研究多源域场景下的跨域故障诊断问题。主要思想是学习多个源域中所蕴含的共性判别知识来提升模型在目标任务上的泛化性能。具体而言,从振动信号的故障特征出发,通过局部线性判别分析的子空间学习方法将各个源域的判别结构嵌入到Grassmann流形上,然后通过流形上的Karcher平均实现共性判别结构的学习。所提出的方法在轴承跨域诊断任务上展现了比传统监督学习方法、单源域迁移学习方法和多源域迁移学习方法更好的诊断性能。（4）研究多源域场景下基于深度神经网络的跨域故障诊断问题。主要思想是借助深度神经网络的表征学习能力,从多个源域的振动信号中学习同时具有模式判别能力且领域不变的诊断特征。具体而言,通过先验诊断知识指导的预处理过程获得对于多个域具有一致物理含义的网络输入,在此基础上设计了一个深度领域泛化网络来学习域不变的诊断特征,从而实现模型泛化。在齿轮和轴承的跨域诊断任务中,提出的方法获得了较多个基于深度学习诊断方法和基于深度迁移学习故障诊断方法优越的诊断性能。本论文的研究是解决实际工程诊断需求,突破传统数据驱动诊断方法数据获取瓶颈,以及提高故障诊断智能化水平的新尝试。