现代机械设备日趋复杂化、精密化与智能化,为了确保机械设备的平稳运行,准确的机械故障诊断技术显得尤为重要。基于深度学习的轴承故障诊断方法得到了广泛研究,但大多数方法的应用基础为训练数据和测试数据具有相同的分布,而在实际应用中,复杂工况会使模型的诊断精度和泛化能力显著下降。对抗学习的引入为轴承故障诊断的实际应用提供了新思路。该文主要研究了基于对抗学习的域自适应轴承故障诊断方法。首先,针对当前域自适应轴承故障诊断方法大多仅对齐边缘概率分布,未考虑源域和目标域之间的条件概率分布,降低了方法在实际应用中的识别准确率的问题,研究了一种结合对抗学习框架和改进条件最大均值差异的轴承故障诊断方法。该方法采用深度残差网络提取原始振动信号的鉴别性特征,利用对抗学习框架和改进条件最大均值差异精准弥合源域和目标域之间边缘概率分布和条件概率分布差异。此外,采用了动态加权系数来衡量边缘概率分布和条件概率分布之间的相对重要性,进一步提高模型识别准确率和优化迭代的速度,从而实现了端到端的跨机械轴承故障诊断。其次,大多现有的域自适应方法主要针对封闭域自适应问题,即源域和目标域的标签空间相同,数据分布不同。然而,目标域中可能包含与源域中已知类不同的未知类,直接对齐源域和目标域的分布将导致负迁移。为此该文研究了一种阈值对抗网络,该网络通过构建分类器将样本的可迁移性量化,并根据源域样本的可迁移量化均值来计算自适应阈值,从而实现目标域已知类样本和未知类样本的鉴别。最后利用渐进样本选择算法在对抗训练过程中逐步选择已知类样本用于对齐源域和目标域的特征分布,实现了开放域自适应轴承故障诊断。该文提出的方法分别在凯斯西储大学轴承数据集和帕德博恩大学轴承数据集上进行了验证,通过多组对比实验对提出方法的主要结构及超参数进行了充分的分析,并将提出方法与当前常用方法进行对比,实验结果表明了该文研究方法的有效性。