滚动轴承作为旋转机械的关键零部件,其运行状态的好坏关系着机械设备的稳定性。在机械设备长时间、高负荷的运转过程中,滚动轴承难免会发生故障,轻则影响设备性能,重则引发生产事故,因此对滚动轴承开展故障诊断研究具有极大的价值。基于大数据与人工智能的滚动轴承故障诊断方法由于其自动化程度高、诊断耗时少等特点成为学者们研究的热点,但在实际应用中依然面临小样本、强噪声、跨领域等诸多问题。本文研究了基于shapelet的小样本滚动轴承故障诊断方法,研究内容主要包括以下三个部分:（1）针对强噪声条件下的滚动轴承故障诊断问题,提出一种基于动态时间规整改进的shapelet滚动轴承故障诊断方法。利用动态时间规整算法改进了shapelet学习算法,优化了强噪声条件下轴承振动信号相似性的度量方法,提高了端到端诊断算法在强噪声情况下的诊断精度,增强了算法的可解释性。最后通过搭建转子试验台验证所提方法的有效性。（2）针对滚动轴承故障诊断在工业生产中可能存在的故障数据稀缺问题,提出一种基于D-shapelet的多源域迁移学习滚动轴承故障诊断方法。首先利用典型故障信息丰富、标记样本充足的滚动轴承数据构建多源域数据集,使用不同源域的滚动轴承数据对源域网络进行预训练;然后利用基于动态时间规整的shapelet学习算法提取源域与目标域的shapelet作为判别结构,通过度量判别结构之间的相似性优化源域数据,对源域网络进行微调以得到诊断模型;最后根据每个源域与目标域的shapelet之间的差异自适应地确定基分类器输出结果的权重,加权后得到最终诊断结果。通过搭建风机轴承故障诊断试验台验证所提方法有效性,实验结果表明,该方法在小样本与强噪声的条件下具有较好的诊断效果。（3）针对滚动轴承故障数据极其稀缺的问题,提出一种基于D-shapelet的元学习滚动轴承故障诊断方法。将D-shapelet学习算法嵌入到模型不可知元学习算法中,充分利用已有数据训练泛化性强的模型,实现了极小样本下滚动轴承故障的精确诊断。通过搭建的斜齿轮轴承故障诊断试验台验证所提方法的有效性。此外,通过对实验结果分析,研究了迁移学习与元学习在滚动轴承故障诊断中的适用场景,为数据稀缺情况下滚动轴承故障诊断方法的选择提供了参考。