滚动轴承作为当代机械设备中的一种重要零部件,在长期大负载、强冲击的复杂工况下极易出现各种故障,直接导致机械设备工作状况恶化。滚动轴承早期故障检测技术能够在轴承故障的初期阶段检测出轴承发生故障,及时预警并采取措施有助于避免严重事故的发生。近年来,随着工业互联网和智能制造的推行,早期故障检测技术作为故障预测与健康管理（Prognostics and Health Management,PHM）的关键技术环节受到了广泛关注。然而在实际工程中,目前滚动轴承的早期故障检测技术尚不成熟,尤其是检测结果的鲁棒性不佳,主要存在以下挑战:1)不同工况下轴承数据分布存在差异,离线构建的模型难以适配在线数据;2)轴承在正常运行过程中存在噪声,所引起的异常波动会对检测模型产生干扰;3)受在线应用场景的制约,目标轴承可用数据量不充分,特征表示能力不佳。针对以上问题,本文从提高数据表征能力入手,以深度神经网络为基础算法框架,在提取鲁棒特征的基础上分别引入迁移学习和数据增强技术,实现跨工况轴承数据分布适配和多尺度特征信息的有效表示,以解决在线数据分布不一致和特征表示能力不充足所导致的早期故障检测模型鲁棒性差的问题。主要的研究内容包括:（1）针对轴承数据分布不一致导致的在线数据与离线训练的模型不适配的问题,从迁移学习角度出发,提出了一种基于深度迁移学习的滚动轴承早期故障鲁棒检测方法。首先,通过约束不同轴承正常数据之间的数据分布训练领域自适应的自动编码器,从而获得不同轴承正常状态数据的公共特征表示;其次,基于提取的公共特征表示,提出了一种基于鲁棒深度自编码（Robust Deep Auto-encoder,RDA）的轴承状态划分方法,该方法可在轴承数据的低秩特征空间中准确识别正常状态和早期故障状态之间的边界;最后根据辅助轴承的状态划分结果构建支持向量机检测模型对早期故障进行检测。在IEEE PHM Challenge 2012轴承数据集和XJTU-SY轴承数据集上的实验结果表明,该方法能够在检测准确性和误报警率方面优于现有的检测方法。（2）针对在线检测目标轴承数据量不够导致的轴承正常状态数据特征表示能力不足的问题,从数据增强技术角度出发,提出了一种面向滚动轴承早期故障检测的多尺度鲁棒异常检测方法。该方法首先将数据增强技术纳入到RDA算法框架中,在RDA的低秩特征空间中构建多个支持向量数据描述（Support Vector Data Description,SVDD）超球,提出了一种鲁棒多尺度Deep-SVDD模型,该模型融合多尺度特征信息综合判定数据样本的异常概率;其次,提出了一种基于振动信号的数据增强方法,使得基于数据增强的异常检测方法得以应用于轴承数据集;最后在IEEE PHM Challenge 2012轴承数据集和XJTU-SY轴承数据集上进行仿真实验,结果表明该方法对轴承早期故障敏感且检测结果稳定,相比现有的检测方法具有更好的鲁棒性。综上所述,本文围绕早期故障检测中鲁棒性的问题,分别从构建跨工况领域自适应模型与提升数据特征表示能力两个角度展开,为提高早期故障检测方法的鲁棒性提供了有效的解决方案,也为各类旋转机械的实时故障预警提供了有益参考,具有显著的学术研究和工程应用价值。