采用故障诊断技术可以通过分析检测信号发现设备的潜在故障,保障设备的运行安全性,有效提升设备的运行效率。滚动轴承作为旋转机械中使用频率最高的零件之一,广泛应用于旋转机械设备中,一旦滚动轴承发生故障将严重影响设备的正常运行,造成经济损失甚至危及人员安全。因此对滚动轴承的健康状态进行监测,及时发现故障部位并分析其严重程度具有重要的理论意义和实用价值。在实际工程环境下,机械设备的使用环境及工作空间具有复杂性和多变性的特点,与实验室环境存在一定的差异。在实际工程应用中,设备不会允许长时间地工作在故障状态下,因此能够获得的故障样本容量较小,并且会受到噪声污染,传统的故障特征提取方法不能很好地解决这类问题。本文在总结吸收现有研究成果的基础上,针对上述问题研究了基于迁移学习和特征融合的轴承故障诊断方法。具体内容如下:介绍了轴承故障状态识别中存在的小样本问题,提出了解决小样本问题的迁移学习方法框架,引入了HKL散度作为特征差异度量指标。针对小样本条件下的轴承故障状态识别问题,提出了迁移学习结合栈式稀疏自动编码器（SSAE）的故障状态识别方法。思路如下:采用迁移学习方法进行参数和特征迁移,选择栈式稀疏自动编码器（SSAE）作为特征提取模型,Softmax分类器进行特征分类。在轴承数据集上进行了实验,与其他小样本学习方法进行了对比研究。进一步考虑噪声影响下的小样本数据难以提取特征的问题,提出一种基于特征融合的降噪模型。思路如下:将收缩自动编码器和降噪自动编码器提取到的特征进行加权融合,输入稀疏自动编码器提取更稀疏的特征,仍然在上述迁移学习框架下进行网络训练。通过实验验证该方法的准确率和有效性,并和其他降噪模型方法进行了对比研究。