近些年,随着我国机械制造工业技术的迅猛进步,机械复杂程度大幅提高。人们为了避免造成巨大损失,对设备状态诊断的要求也越来越高。旋转机械部件轴承和齿轮作为各种机械设备的“关节”,在保证设备安全正常运转中发挥了极其重要的作用。通过旋转式机械零件运转时产生的振动信号进行分析来实现故障判断,这是一种很好的手段。然而,在实际工作条件下,尽管收集到的振动数据容量很大,但大多数振动数据都没有标记。为每种情况收集和标记足够的故障数据是不现实的。因此,构建带有少量标记振动数据的可靠故障分类模型是需要解决的重要问题。本文针对只有少量有标签数据的旋转机械部件故障诊断开展了如下工作:（1）基于半监督学习的智能深度对抗网络故障诊断方法。通过小波变换将故障轴承的振动时域信号变换为二维图像,得到原始数据的时频域信息。提出了一种基于半监督学习的深度对抗卷积神经网络。在模型中使用了由生成器生成的大量生成数据和未标记的真实振动数据,以通过判断输入的真实性模型可以学习到数据的总体分布的信息。设计了用于不同输入的模型损失的三个正则项,以对鉴别器的参数施加约束,增强模型对数据特征的学习。使用来自公共数据集和自己实验室建立的实验平台收集的数据进行了实验验证。实验结果表明,在不同容量的多组小型数据集中,该方法比传统的深度模型具有更高的诊断精度。（2）基于深度小样本学习的跨类机械故障诊断。针对在训练和测试数据完全不相交条件下的问题,提出了一种基于小样本学习的跨类故障诊断模型。构建了一个五层卷积孪生神经网络,从样本对中提取故障特征。在新的损失函数中定义了两个特征差异度量参数,使本模型能够学习样本对故障特征之间的准确分类边界。在两个基准数据集和一个自建的试验台数据集上进行了实验。实验结果表明,该方法实现了跨类别空间的故障诊断,并具有良好的分类效果。