滚动轴承是机械设备中最重要的基础部件之一,它的故障与否直接影响到整个机械设备的工作状态。传统诊断方式对先验知识的依赖性高,面对大数据时代,人工的提取故障信号的特征效率过低,因此,开展基于数据驱动的滚动轴承振动故障诊断的研究,对延长设备的使用寿命和保证人员安全具有重要意义。本文旨在探索高效的神经网络模型,研究深度神经网络,卷积神经网络及其变体结构,用于提升模型的特征提取能力,研究轴承的工作过程及其时域、频域和时频域指标的求解方法,结合实际情况探索同负载下与不同负载下的轴承故障诊断问题,以尽量少的专家经验解决复杂的轴承故障诊断问题。本文主要工作如下:（1）研究残差网络结构,解决多层神经网络的梯度不稳定问题,增强网络的鲁棒性,并将残差网络应用于轴承的故障分类。数据来源于西储大学轴承数据集,验证残差网络的高效特征提取能力,为后续研究模型改进打下基础。（2）研究残差网络模型的运行机理,从网络结构角度改进模型。研究注意力机制理论,建立与残差网络相耦合的模型。基于轴承故障数据验证模型的有效性。将注意力机制引入到残差单元中,旨在对信号中的重要特征进行加权,提高模型的特征提取能力。在相同实验条件下,将改进模型与卷积神经网络、深度神经网络和残差神经网络三种网络模型相比,故障诊断正确性有明显的提高,提升模型对于故障的特征提取能力。（3）针对不同工况下,源域数据和目标域数据分布不同,传统神经网络模型无法准确分类的问题,引入迁移学习理论,融合时域指标、频域指标与时频域指标,获取多域特征指标构建特征样本集,通过核映射算法获取高维特征,并结合深度神经网络算法学习复杂非线性数据结构特征的能力,实现不同领域下的特征对齐,再通过基于注意力机制的深度残差网络完成故障分类。采用不同工况下数据验证,分类精度均可达到95%以上,与未进行特征对齐的模型比较,有着较大提升。