旋转机械作为机械设备的重要组成部分,一旦突发故障,轻则打乱生产节奏,重则造成安全事故,因此,及时识别机械故障是可靠生产的必要保障。然而,机械设备运行工况复杂多变,轻微的条件变化都可能导致采集的振动信号发生大幅度改变,因此基于特定情况所建立的故障诊断模型,在新的待诊断任务中难以获得较好的诊断效果。基于域适配迁移的智能故障诊断方法,为解决上述问题提供了一种有效途径。因此,以对抗域适配理论为核心,通过挖掘现有数据的深层信息,解决变工况下的旋转机械故障诊断问题,主要研究内容包括:（1）深入探索卷积神经网络的结构及训练机制,构建CNN故障诊断模型,研究了迁移学习理论知识,综述领域适配的经典诊断算法。实验表明深度卷积神经网络拥有强大的特征提取能力,也说明了域适配算法在变工况下的故障诊断问题中表现更优。（2）针对变工况下,故障诊断过程中所存在的类别混淆和误判问题,构建双分类器对抗网络,该方法在进行两域特征对齐的同时还考虑了类别的决策边界,通过两个独立的分类器提取特征,利用对抗机制更新网络,有效地减少位于类别边界的模糊特征,提高模型的领域迁移性能,并通过滚动轴承数据集对比验证了所提方法的有效性。（3）针对目标域故障类别多于源域故障类别的诊断问题,基于领域适配和加权判别机制,提出了加权适配网络,所提方法通过评估目标域样本数据与源域数据的相似程度,判别数据的可迁移性,可有效识别两域共享的已知故障及目标域中的新故障,由滚动轴承数据集验证分析了所提方法的有效性及泛化性能。（4）针对变工况下两域新故障识别问题,即源域与目标域均存在私有故障类别的情况,提出了选择性加权适配网络。该方法构建多个分类器缓解了因单一网络输出置信度过高而造成误分类的问题,并利用独立高斯分布拟合方法自动判别权重阈值,有效解决两域类别空间不一致的领域迁移问题,通过多组跨工况诊断实验证明,所提方法既能有效识别两域已知故障,又能实现源域和目标域任务中新故障的识别。论文研究了旋转机械在变工况下不同迁移情形的故障诊断方案,解决了两域数据分布不一致与类别空间不对齐的问题,实现了不同工况下“端到端”的故障诊断,为复杂环境下旋转机械的智能诊断提供了解决方案。