滚动轴承作为旋转机械设备中的关键部件,其运行状态关乎整个旋转机械设备的正常运转。实时监测滚动轴承的健康状态,对预防旋转机械设备故障的发生、保障设备和人员安全、减少企业经济损失等具有重要现实意义。随着现代机械设备向高速和精密方向发展,对滚动轴承健康状态监测的可靠性要求愈来愈高。近年来,数据驱动的方法在滚动轴承故障诊断领域发展迅速,但其大多以足够的带标签数据可供训练、数据包含设备的完整健康状况信息等假设为基础,忽略了训练样本无标签、故障类型无历史训练数据等问题,难以满足实际工程场景下的滚动轴承故障诊断需求。因此,本文以迁移学习理论为基础,在无标签数据条件和零样本条件下开展研究,具体内容如下。（1）提出基于联合对抗域适应（Joint Adversarial Domain Adaptation,JADA）的故障诊断方法,该方法以深度迁移学习理论为研究基础,从无监督领域适应的原理出发,结合对抗域适应机制,在无标签数据条件下完成滚动轴承故障诊断。为增强算法对滚动轴承故障特征的区分性,JADA方法首先使用源域数据训练分类器,结合交叉熵损失和中心损失（Center Loss,CL）进行监督学习;然后,通过对抗方式训练域判别器和特征提取器,最小化源域和目标域特征的差异,匹配领域间的条件分布和边缘分布;最后,使用分类器对从目标域提取出的样本特征实施诊断。通过对ER-16K和SKF6205两种深沟球轴承的故障诊断实验,验证了JADA故障诊断方法的有效性。在24种迁移任务中的故障诊断实验表明,相较于其他迁移学习方法,JADA方法能有效提升无标签数据条件下滚动轴承故障诊断效果,例如ER-16K上各种迁移任务中的平均准确率为99.51%。（2）提出基于多标签零样本学习（Multi-Label Zero-Shot Learning,MLZSL）的故障诊断方法,MLZSL方法以迁移学习的一种特殊场景—零样本学习为理论来源,从样本属性空间嵌入的原理出发,结合多标签训练机制,在零样本条件下完成滚动轴承故障诊断。此方法首先结合深度可分离卷积、非线性激活函数和残差学习机制,构建轻量化特征提取模型;然后,由多个属性学习器组成多标签属性学习网络,实现对每个未见类样本属性矢量的预测,得到未见类故障样本在高维属性空间的嵌入;最后,通过计算属性矢量与故障属性标签的余弦距离,实现未见类故障诊断。实验结果表明,MLZSL方法可行且高效,属性识别平均准确率为80.3%,较其他零样本学习方法具有更好的诊断效果,为零样本条件下的滚动轴承智能故障诊断研究提供了一定的理论及工程应用价值。