机械装备结构日益复杂、自动化,对设备安全性和可靠性的要求也越来越高,机械故障的检测和诊断显得尤为重要,基于振动信号分析的数据驱动类方法得到了广泛研究。但多数智能故障诊断方法的应用基础为训练数据与测试数据同分布,而实际中复杂工况的影响使得理论方法的诊断效果受到较大影响。迁移学习的引入为解决不同数据分布下的轴承故障诊断问题提供了新思路。该文主要研究了基于深度迁移学习的轴承故障跨域诊断方法。首先,考虑到旋转机械实际运转中工况复杂多变导致数据分布产生偏差,降低了单一识别模型的识别准确率,该文将域适应引入轴承故障诊断过程中,基于深度学习和迁移学习提出了一种特征空间域和标签概率分布同步适应的迁移诊断网络。该网络将一维稠密卷积网络及注意力机制融合,实现了复杂故障特征的自动提取;域适应处理则通过联合最小化特征概率分布差异和标签概率分布差异来约束网络学习域不变特征;最终对变工况滚动轴承故障实现了高准确度的识别。其次,针对标记样本稀少和多个相似数据集资源利用不充足的问题,该文提出了基于多源域迁移的轴承故障诊断方法。该方法以卷积神经网络的特征提取为基础,对提取的多组源域数据信息进行综合利用。首先提取不同源域数据和目标域数据间的域不变信息,并构建各个源域分类器,然后通过源域分类器的加权合并实现多源域信息的互补利用,最终完成目标域样本的分类识别。多个数据集下的跨机械诊断实验结果表明了该方法的有效性。该文的方法分别在美国凯斯西储轴承数据集及辛辛那提大学轴承数据集等多个数据集上进行了验证,文中还对所提方法的重要参数及其影响进行了深入分析,并与常用方法进行了对比,实验结果表明了该文研究方法的有效性及较好的性能。