机械设备是现代工业中至关重要的一环,其性能好坏直接关系到生产活动能否安全稳定的进行。由于机械设备长期运行在重载、高温等复杂多变的工况条件下,关键零部件容易出现故障损伤,及时对其进行检测维护具有非常重要的意义。本文将迁移学习与深度学习相结合并应用于机械故障诊断中,针对两种工程应用场景提出了相应的故障诊断方法,解决了变工况下故障特征分布差异而导致诊断模型精度下降的问题。本文的主要工作和贡献如下:（1）在实际工程环境下,机械设备故障的可用数据稀缺,且复杂多变的工况条件使采集到的数据分布不一致,导致传统的机器学习诊断模型精度降低,难以应用于新工况。针对上述问题,本文引入生成对抗网络进行数据增强,提出了一种改进的深度迁移故障诊断方法。利用生成对抗网络学习目标工况数据的故障特征,生成与之相似的样本数据,从而实现目标数据集的扩充。通过改进的残差网络提取训练样本的深层故障特征,在反向传播的过程中最小化领域适配正则项约束,减少不同工况数据之间的分布差异,提高诊断模型在目标工况中的诊断精度。相较于其他故障诊断方法,提出方法能够克服目标工况数据不足的问题,准确识别目标工况下机械设备的健康状态。（2）旋转机械设备的运行环境复杂,采集到的振动信号通常掺杂背景噪声,影响模型特诊提取的质量。为削弱噪声干扰对诊断性能的影响,且适配不同模式下的特征分布差异,提出了一种基于广义极大极小化凹函数（Generalized Minimax-Concave,GMC）的迁移学习故障诊断模型。利用GMC对所有样本数据统一进行降噪处理,削弱原始信号中背景噪声的干扰,最大程度的保留故障特征。从边缘概率分布和条件概率分布两个方面对残差网络提取到的故障特征进行适配,进一步缩小训练样本的数据分布差异,使模型更好的适应变工况下的迁移故障诊断任务。在两个轴承数据集上设置多组对比实验进行分析,实验结果表明提出方法能够准确预测目标工况样本的故障状态,其诊断性能优于其他故障诊断方法。本文从深度学习和迁移学习的理论出发,对变工况下的机械故障诊断展开了深入的研究,通过挖掘不同工况间数据的相似特征,将相关的故障诊断知识用于目标模型建立,有效提高了模型在迁移任务中的诊断性能和泛化能力。