轴承作为工业设备中重要的零部件,其健康状态关乎到工业设备的作业效率,轴承故障诊断成为工厂作业必要的一项工作。机器学习和深度学习方法在各个领域的广泛应用推动了以数据驱动的轴承故障诊断方法的进一步发展。这种诊断方法建立在采集大量带标记轴承故障数据的条件下,但是在实际应用场景中带标记的数据需要花费大量人力来获取,而且实际场景下轴承运行工况和轴承类型也存在差异。因此在跨工况和跨设备场景下使用以往的方法进行轴承故障诊断效果并不理想。针对上述问题,本文使用迁移学习的方法来完成将带标签轴承数据中的知识向无标签轴承数据进行迁移的工作。并且借鉴生成式对抗网络（Generative Adversarial Networks,GAN）的思想在迁移学习模型上增加域判别器来提高模型的泛化能力。本文围绕着轴承故障诊断在跨工况和跨设备进行迁移学习时,跨域数据分布差异大,带标记样本数据量少,诊断精度低的问题对迁移学习进行研究与改进。主要工作如下:（1）对于跨工况的两组轴承信号数据间存在分布差异不利于知识迁移,并且在实际应用场景下,轴承故障信号数据量少和数据缺乏多样性的问题,本文考虑在对信号数据进行特征提取之前对信号数据进行增强,通过对信号点的旋转、移位等操作增加数据的多样性与复杂度。此外,利用多层域自适应给每一卷积层提取到的结果分配不同的权值,减少深层网络中提取到的不适合迁移的特征对模型训练的不良影响。最后通过在三组公开轴承数据集上分别进行多组跨工况迁移任务,实验结果验证了本章节所提方法可以有效改善所针对的两个问题。（2）针对跨设备轴承故障诊断存在数据分布差异更大且数据标签空间不统一的问题,本文对跨设备场景下轴承故障智能诊断方法进行研究与改进。考虑到跨设备轴承数据会有不同的采样频率,在数据处理时对数据进行重采样,保证频率对齐。随后针对不同类型轴承标签空间可能不一致的问题,将单个域判别器拆分为多个子域判别器,从每一类数据入手,拉近每类标签下跨域数据的距离,通过在三组不同类型轴承间进行迁移任务,本章节提出的算法精度比其他四种算法有较大提升,证明了该方法的有效性。