机械设备中的轴承故障诊断对工业生产、社会生活等具有十分重要的意义。近些年来,基于深度学习的轴承故障诊断方法成为了研究热点,也取得了十分丰富的成果。但是,基于深度学习的滚动轴承故障诊断方法在变工况以及跨设备等条件下表现出诊断精度低,泛化能力差的问题。因此,本文基于深度学习和迁移学习理论,开展了基于深度迁移学习的滚动轴承故障诊断方法研究。主要研究内容如下:（1）针对同一机械设备下变工况运行数据分布差异较大导致模型泛化能力较差、深度学习模型结构复杂致使模型过拟合的问题,提出了一种基于领域对抗网络（Domain-Adversarial Neural Network,DANN）和注意力机制的变工况滚动轴承故障诊断方法。该方法采用集成经验模态分解算法对原始样本数据进行分解,得到多个本征模态函数,并结合本征模态函数与原始信号的相关系数进行信号重构,进而减弱信号噪声对特征提取的影响。除此之外,该方法在经典DANN的基础上,设计了一个由三个特征提取模块串联而成的特征提取器,每个特征提取模块由卷积层、注意机制模块和池化层组成。具有注意机制的特征提取器使模型能够在训练过程中学习并保留与故障相关的关键特征。同时,将故障分类器和领域辨别器中的全连接层替换为全局平均池化层,以减少模型参数,避免模型出现过拟合的问题。两组滚动轴承的数据集验证了所提方法在改进DANN的基础上,有效的实现了同一机械设备下的变工况滚动轴承故障诊断。（2）针对大量标签数据难以获取以及跨设备滚动轴承故障诊断中源域与目标域数据分布差异性大的问题,提出了一种基于注意力多信息融合的跨设备滚动轴承故障迁移诊断方法。首先,该方法以残差模块为构成单元,设计了基于一种并联深度残差网络的多信息特征提取模块。该模块能够对滚动轴承中的时域、频域和时频域特征进行充分的提取,并保证了模型不会因过于复杂而出现梯度消失的问题。其次,该方法借助基于注意力机制的特征融合模块,对时域、频域和时频域的特征进行筛选、降维以及融合,从而提高了多信息特征质量。最后,该方法以最大均值差异（Maximum Mean Discrepancy,MMD）衡量出源域与目标域特征的分布差异,并与源域样本分类的交叉熵损失构成目标函数。通过反向传播算法,模型会学习到域不变特征量,并完成故障识别。两组公开的滚动轴承数据集和一组滚动轴承实验台数据集的验证结果表明,所提方法能够在跨设备滚动轴承故障诊断之中获得较高的诊断精度。