滚动轴承作为旋转机械中的关键部件,对其开展状态监测和故障诊断,对保障设备健康稳定运行、提升生产效率及避免工业事故具有重要意义。深度学习可以模拟人脑处理数据的过程,构建多个隐藏层的非线性结构,来挖掘输入数据内部的抽象特征。迁移学习能够应用于目标任务相关的辅助数据,迁移其中“知识”到新的应用场景中,帮助目标任务的解决。本文以滚动轴承为研究对象,利用密集连接卷积神经网络、迁移学习、生成对抗网络等技术手段,从特征提取和增强、多尺度特征融合和变工况诊断三方面开展研究,构建了基于密集连接卷积神经网络的滚动轴承迁移诊断方法。论文的主要研究内容如下:（1）针对滚动轴承故障发生时,故障信号微弱导致特征提取困难的问题,提出一种基于联合最大均值差异的特征迁移方法。利用密集连接卷积网络对故障信号的特征提取能力,构建了轻量化的一维密集连接卷积神经网络来提取一维故障数据的潜在特征。同时,引入联合最大均值差异来自适应地对齐源域和目标域的边缘分布和条件分布。（2）针对现有故障特征提取方法难以完备地表征机械设备运行状态的问题,提出一种基于多尺度表征的子空间分布适配迁移方法。首先构建一种多尺度特征提取网络,从不同的尺度来对故障特征进行学习。同时,引入卷积注意力机制来学习获得特征图的注意力指标,从而优化网络的训练效果。此外,结合多个子空间分布适配迁移策略,让网络从源域和目标域中学习表征能力更强的域不变特征,从而帮助提高诊断模型的分类性能。（3）针对变工况条件下源域和目标域的数据分布不一致,导致的领域适配问题,提出一种变工况下领域全局自适应迁移方法。首先,通过构建一维大尺度密集连接卷积神经网络来提取一维振动信号的特征。其次,在源域网络训练完成后,将其中部分参数迁移至目标网络,作为网络训练的初始参数,以此来提升目标网络收敛速度。同时,结合联合最大均值约束和条件生成对抗网络,从全局的角度来减小两域的分布差异,帮助诊断网络在跨域诊断中取得更稳定的分类结果。在滚动轴承数据集上的对比实验结果表明,相对于传统的故障诊断方法,基于密集连接卷积神经网络的滚动轴承迁移诊断方法能够有效地提高滚动轴承在特征提取和增强、多尺度特征融合和变工况诊断等任务上的分类精度和泛化能力。