提高高档数控机床的可靠性水平具有重要的国家战略意义。滚动轴承作为数控机床中不可或缺的关键基础部件,其健康状态显著地影响着旋转系统甚至整台装备的运行精度、服役可靠性乃至使用寿命等诸多方面。因此,开展滚动轴承健康状态监测和故障诊断技术研究十分必要。滚动轴承动力学模型是分析其振动响应特性的基础,在滚动轴承动力学模型中引入局部故障,可以研究其故障机理。因此,基于故障机理进行滚动轴承故障诊断技术研究一直备受关注。另一方面,人工智能技术的快速发展使得基于机器学习和深度学习的智能故障诊断技术得到了大量研究和广泛应用。但由于智能故障诊断模型（如卷积神经网络、深度置信网络等）结构复杂、参数较多,模型的训练往往依赖于大量带标签的原始数据。然而在实际工程应用中,机械系统工况复杂多变,标签数据难以获取。此外,虽然基于轴承动力学仿真可以模拟轴承故障数据,但由于仿真数据与实际数据差异明显,使得仿真数据训练的诊断模型难以直接用于实际故障诊断任务。鉴于以上,本文提出了基于机理-数据融合的滚动轴承故障诊断方法研究,以解决实际诊断场景中“小样本”和变工况的问题。主要研究内容为以下三个方面:（1）滚动轴承动力学建模和振动特性分析。首先基于经典Jones-Harris动力学模型建立滚动轴承时变刚度求解模型,采用牛顿拉夫逊迭代算法求解滚动轴承时变刚度矩阵,得到滚动轴承时变刚度激励,在此基础上分析滚动轴承时变刚度随载荷、转速的变化规律。然后,在时变刚度分析的基础上,考虑滚珠质量及其自由度的影响,利用Matlab/Simulink搭建滚动轴承六自由度动力学模型,并引入内外圈表面缺陷得到滚动轴承内外圈局部故障动力学模型。最后,采用变步长ode45方法对动力学方程组进行求解,分别得到滚动轴承健康状态和内外圈故障状态下的动态振动响应。一方面为滚动轴承故障机理的进一步研究奠定基础,另一方面为解决轴承实际故障诊断任务中缺少标签数据的难题提供了一种可行方案。（2）针对滚动轴承故障诊断问题,提出一种基于深度学习的滚动轴承故障诊断方法。本方法首先基于不同的激活函数差异性地构建多个SAE来获得不同空间维度的特征表示;然后采用均值方差评价系数对这些特征进行评估筛选,在每两类样本之间建立一个SVM二分类器,基于筛选特征训练不同的分类器,最终采用多数投票策略对多个SVM的分类结果进行集成,得到每一个样本的预测标签。最后通过实例分析以及与深度学习单一模型、BPNN、SVM、DBN、CNN等多种方法诊断结果对比验证了本方法有效性和实用性。（3）针对目前基于数据驱动的智能故障诊断模型在缺乏带标签数据以及变工况条件下泛化能力不足的问题,提出一种基于机理-数据融合的滚动轴承迁移故障诊断方法。该方法利用第二章的轴承动力学仿真信号与少量带标签数据,基于条件生成对抗学习技术进行数据增强（扩充）,获得大量带标签的且与原始数据真实分布类似的轴承故障数据集;基于GAN迁移学习理论建立变工况域适应故障诊断模型,将生成数据作为源域、实际工况无标签数据作为目标域对模型进行训练,进而完成在“小样本”下的迁移故障诊断。最后通过对比实验,分别从平均准确率、特定故障种类上的诊断精度、混淆矩阵、t-SNE特征可视化等方面验证了所提方法在解决“小样本”和变工况条件下轴承滚动故障诊断问题上的可行性。