深度学习理论以其强大的建模和表征能力成为数据驱动的智能故障诊断领域中最活跃的研究方向之一,然而使用深度学习训练故障分类模型需要大量有标注的数据以及训练数据与测试数据满足独立同分布,在实际应用中这两个条件通常难以满足。首先,数据的标注是一个昂贵且耗时的操作,另外机械设备通常会工作在不同工况下,导致采集的振动信号数据分布产生差异。因此,如何利用少量的有标注数据或者辅助领域数据,来建立一个可靠的数学模型,对具有数据分布不同的目标领域开展故障诊断是待解决的问题。迁移学习是一种利用现有知识解决不同但相关领域的机器学习新方法,为解决此类问题提供了基本思路。因此,本文将深度学习和迁移学习结合起来,用于滚动轴承的振动数据故障分类,在有标记数据稀缺甚至没有的情形下依然能达到较高的故障分类精度。本文的主要研究工作包括以下几点:(1)介绍了基于深度学习的滚动轴承故障诊断的研究背景、当前的研究现状和存在的问题。然后对深度学习和迁移学习的基本原理进行了深入研究,提出将迁移学习和深度学习相结合的思想,用于滚动轴承的故障诊断。(2)提出了一种基于深度卷积孪生网络的振动数据故障分类方法,用于解决目标领域中仅含有少量有标注训练样本的监督迁移学习问题。首先将源域中的样本和目标领域中的样本进行配对,在深度卷积网络基础上设计了一个卷积孪生网络,通过多层非线性变换进行特征提取,并使用多层适配来将两个领域中的数据映射到同一个特征空间中,通过定义平衡因子来达到更好的适配效果。实验结果表明在变工况环境下所提方法可以有效解决训练样本不足的问题。(3)提出了一种基于深度对抗迁移网络的振动数据故障分类方法,用于解决目标领域中只包含无标注训练样本的无监督迁移学习问题。采用生成对抗网络中的对抗训练思想,让特征提取器与领域判别器进行对抗训练,并以Wasserstein距离作为度量标准,用以学习出一个领域无关的特征,达到领域适配的目的,并同时最小化分类误差,在保证所学特征不包含领域信息的同时,包含故障类别信息,最终达到跨领域进行故障分类的目的。