滚动轴承是旋转机械设备的关键部件之一,其故障可能会造成整个设备故障,甚至是停机和事故。因此,有必要对其开展故障预测与健康管理。近年来,深度学习极大地提高了工业大数据的分析能力和智能诊断水平,但仍需解决故障样本稀少、工况波动、强噪声等导致的诊断性能下降的问题。首先,已有深度网络依赖大规模完备数据,故障样本稀少使得深度学习不够充分,进而导致训练精度较低、诊断准确性下降。其次,网络的泛化性能受到数据变化、工况波动、噪声强度等多方面影响,限制了智能诊断模型的工程应用。针对上述问题,本文对基于深度神经网络的小样本学习、迁移学习开展研究,主要研究内容与创新点总结如下:（1）传感器采集到的数据通常包含大量无标签数据和少量有标签数据,无标签数据的标定费时费力,甚至是无法实现的。针对这一问题,本文提出了一种基于改进半监督生成对抗网络的少量标签轴承故障诊断方法。该方法使用对抗学习和半监督学习,用少量有标签数据增强深度卷积网络对无标签数据的识别能力;同时,提出了增强特征匹配算法,利用中间层的深度特征来提高整个网络训练的收敛速度。实验结果表明所提方法能够有效提高仅有少量标签样本时网络的故障识别准确率。（2）考虑到服役轴承在整个运行周期多为健康数据、故障数据稀缺的难题,本文提出了基于多尺度卷积的改进孪生神经网络。首先,构建多尺度卷积神经网络,用以增强网络的学习能力,避免因网络层数增加导致的过拟合和高计算量问题。其次,引入孪生神经网络辨别健康数据与有限故障数据的分布差异,用最大均值差异距离替代欧式距离来度量样本间的相似性,用以辨别不同类的数据。实验时用不同数量的样本进行训练,结果表明所提网络在故障样本很少的情况下可以获得较高的诊断准确率,解决了故障稀缺时网络学习能力不足的问题。（3）因轴承变化、工况变化等因素使得训练和测试样本的分布存在较大差异,通过大数据学习与复杂训练获得的诊断网络的泛化性能较差。针对这一问题,本文提出了基于改进域条件适应网络的故障迁移学习方法。在域条件适应网络的基础上,引入注意力机制和特征校正,构建了域条件通道注意模块和域特征校正模块,前者用以解决源域和目标域数据分布差异导致的网络权重难以校准的问题,实现各个特征通道的独立学习,后者用非线性变换替代传统的线性变换,提高源域和目标域之间的拟合程度,最终实现源域至目标域的迁移学习。实验验证与方法对比表明,所提方法可实现跨工况、跨轴承的迁移学习,通过实验轴承数据的深度学习获得的诊断知识可准确识别其他实验轴承或实际轮对轴承的故障诊断。本文使用多组实验轴承和实际轴承数据进行了迁移学习与故障诊断,结果表明所提方法具有更高的准确率和更好的泛化能力,同时所提方法兼顾工程需求,采用多种方式降低计算消耗。因此,本文研究不仅改进了深度迁移学习的结构和性能,而且为机械装备的智能诊断提供了有效的方法和有用的参考。