回转运动部件是数控机床中的主要部件,其工作状态的好坏能够直接影响整台机床生产加工的质量、机床使用寿命及生产事故发生几率。机械故障诊断技术已经从过于依赖专家知识的传统方法发展到基于数据的人工智能现代方法,极大的提升了故障诊断过程的精准率和诊断模型的鲁棒性与普适性,同时也引入了模型的泛化性能依赖于数据的数量及其质量的新问题。论文基于较少数据量的场景,分析了信号的不同特征空间对故障信息表征的好坏情况,并提出了联合信号时-频两个特征空间信息的一种新型数据驱动的人工智能故障诊断方法,主要研究内容如下:通过分别在信号的时域和频域中以图像的方式对信号进行表征,构造出信号的时-频两个特征空间。在时域中,通过建立时间-振幅强度的坐标轴,绘制出信号时域的波形图像;在频域中,通过建立频率-振幅强度坐标轴,绘制出信号频域的频谱图像。该信号-图像的时-频特征空间表征方式能够有效表征信息和缩放信息,且还可以通过数据增强技术人为生成更多的新数据。基于构造的时-频双源数据,提出了三种双源数据卷积神经网络方案,并架构了基于图像拼接的CNN、Concat-2CNN和Gate-2CNN三种双源数据输入的模型,为了提高模型的可训练性,在所架构模型当中还引用了一种权值共享的正则化策略和参数初始化策略,所引入的策略能够加速模型的收敛。在数据更少的场景中,基于已有经充分训练的源故障诊断模型,设计了一种双源数据卷积神经网络的迁移学习具体方案,并为该方案引入了固定式和微调式两种模型参数训练算法,并在迁移学习功能验证实验中,微调式方案能够提升约13%的准确率。最后,基于CWRU轴承数据库中所提供的轴承失效性数据,验证了所提出模型收敛过程的具有较高的稳定性和在小数据集上具有较强的泛化性能;基于华科数控中心轴承失效性实验平台所采集的轴承失效性数据,验证了所引入的迁移学习方法可以有效的提高故障诊断性能。