人们对于出行的巨大需求促成了高铁动车组的快速发展,高铁已经逐渐成为人们必不可少的一项交通工具之一。滚动轴承作为核心的旋转部件,在动车组列车的自动化生产线以及确保列车高速平稳行驶中均发挥了重要作用,其运行状态的好坏直接决定了相关设备的运行情况。利用轴承运行时的振动信号数据进行故障诊断是目前最有效的方法之一,然而传统的基于人工分析的方式比较复杂且结果不够令人满意。同时可能会面临跨域问题,比如跨工况故障诊断,即轴承运行时的工况复杂多变,难以收集到所有工况下的数据训练模型。针对以上问题,本文将深度学习的相关算法引入到滚动轴承的故障诊断中,提出了一套基于迁移学习和深度卷积的滚动轴承故障诊断方法。具体的研究内容分为以下三个方面。(1)针对不变工况下的轴承故障诊断,即训练集和测试集为来自相同分布下的数据,提出了一种基于多尺度一维卷积神经网络的故障诊断模型。模型以一维振动信号为输入,通过大小不同的多尺度卷积核提取特征,以增强网络的特征表达能力,提高模型的预测精度。在定工况数据集上验证了模型故障诊断的效果。接着又在添加了高斯白噪声的数据上进行实验,同样得到了较高的识别准确率。本章模型为后文两章的研究奠定了基础。(2)针对跨域情况下轴承故障诊断时,由于数据的分布发生改变而导致预测准确率下降的问题,引入了深度迁移学习进行优化。提出了一种结合MK-MMD和CORAL的跨域故障诊断模型,同时利用MK-MMD和CORAL计算源域和目标域的数据分布差异并作为损失函数的一部分,从而达到域自适应的效果。在跨工况和跨场景任务中进行故障诊断实验,验证了模型具有良好的域自适应能力。(3)引入了深度对抗网络的思想对跨域诊断任务进一步优化。提出了一种基于深度对抗网络的跨域故障诊断模型,利用Wasserstein距离作为衡量数据域分布差异的准则,在对源域数据和目标域数据的边缘分布差异进行优化的同时,通过利用分类器对目标域生成的伪标签,来优化两数据域的条件分布差异从而达到减少类内差异、增大类间距离的目的。最终分别在跨工况和跨场景任务中验证了模型具有更高的识别准确率,表现出了更好的跨域诊断能力。