当前,人们对于机械设备的安全和可靠性要求日渐提高,滚动轴承作为旋转机械设备中最常见且易受损的构件之一,其健康状态关乎整个旋转机械的运行状态。现有的多数智能故障诊断方法要求训练数据和测试数据同分布,但在实际生产工作中难以大量采集有效标签样本,导致在实际应用中理论方法的性能受到较大影响。该文引入迁移学习理论,结合深度卷积神经网络,研究了跨工况、跨设备的滚动轴承智能故障诊断方法。首先,针对标签样本不足、识别网络训练困难的问题,该文引入模型迁移方法,研究了基于模型迁移实现同一机械不同工况以及不同机械设备的滚动轴承故障诊断方法。该方法将残差网络与密集连接网络结合进行特征提取,使用包含大量有标签数据的数据集（称为源域数据集）训练诊断模型,之后将该模型迁移到标签样本不足的目标域中,经微调之后,将其应用于目标域的故障诊断场景中,从而借助源域诊断知识实现目标域场景下对于同一设备不同工况以及不同机械设备之间的故障诊断。其次,考虑到当前对实际工作场景下的故障轴承研究较少,且已有数据集利用率较低,该文研究了多源域辅助跨机械滚动轴承故障诊断方法。在特征迁移的基础上,构建多源域迁移网络模型,通过学习多个人工源域数据集中的诊断知识,实现对目标域实际工作场景下轴承故障诊断。该方法首先通过时频变换的方式对振动信号进行预处理,之后通过特征迁移,使用源域数据集训练用于目标域的分类器,最终实现目标轴承的故障诊断。文中使用了多个不同的数据集验证了该方法的有效性。该文所研究的故障诊断方法在多个公开数据集上进行了验证,文中还研究了方法中的重要参数对诊断结果的影响;此外,文中还将所研究的方法与常用故障诊断方法进行了对比,其对比结果表明了该方法的有效性。