滚动轴承是旋转机械设备的关键部件之一,广泛应用在航空、交通运输以及机械生产等领域,对滚动轴承进行有效的故障诊断可以预防设备事故发生。在滚动轴承故障诊断任务中,智能故障诊断技术大多以深度学习网络为基础,但深度学习网络训练耗时。另外,振动信号被广泛地应用于推断机器的健康状况,滚动轴承工作时负载根据需要经常发生变化,负载的改变会影响振动信号在特征空间中的概率分布,进而影响诊断效果。因此,快速实现不同负载下滚动轴承的故障诊断具有重要意义。论文以宽度学习网络和模型迁移学习方法为核心技术,建立滚动轴承故障诊断模型,实现不同负载下滚动轴承状态的快速分类。针对深度学习网络训练耗时的问题,提出一种基于改进宽度学习系统的滚动轴承状态快速分类方法。该方法采用快速傅里叶变换处理滚动轴承的原始振动信号获取频域幅值序列,以此作为宽度学习系统的输入;提出以循环扩展方式建立宽度学习系统的增强节点窗口,并在增强层引入Maxout激活函数构建改进宽度学习系统,结合遗传算法优化改进宽度学习系统的网络参数,实现不同负载下滚动轴承状态的快速分类。上述方法增强了宽度学习系统的特征提取能力和泛化能力,但未考虑到不同负载下滚动轴承数据概率分布差异较大问题。因此,针对这一问题,进一步提出基于改进宽度模型迁移网络的滚动轴承状态快速分类方法。该方法选择某种（某些）负载的滚动轴承频域幅值序列作为源域,其他负载的频域幅值序列作为目标域;将源域数据输入到改进宽度学习系统进行特征提取及训练,借助遗传算法优化源域网络参数,构建预训练模型;提出将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络,借助岭回归方法微调目标域网络的输出层,建立不同负载下滚动轴承的故障诊断模型。