滚动轴承是旋转机械中一个重要组成部件,其通常工作在腐蚀性强、运转时间长的复杂条件下,运行过程中极易发生故障而引发安全事故和造成经济损失。因此,对滚动轴承进行健康状态监测和故障诊断是保障现代机械设备安全可靠运行的必要环节。一般基于深度学习的滚动轴承故障诊断方法在大量训练数据以及训练数据与测试数据属于同分布的情况下能获得令人满意的结果。然而,现代工业系统中对采集的海量数据进行标记,需要消耗大量的人力和时间成本,此外,机械设备运行工况复杂,训练数据与测试数据很难属于同一分布。针对目前工业系统中故障诊断的实际问题,本文以深度生成对抗网络为主要的基础理论,研究少量训练样本下的故障诊断方法和训练数据与测试数据不同分布下的故障诊断方法,主要研究内容如下:1)针对滚动轴承故障诊断领域中标签样本有限、模型训练困难以及诊断能力不足的问题,设计一种基于预训练网络的半监督学习故障诊断模型。通过利用自编码器网络特征重构样本特性,生成并重构和标记输入数据近似的样本,来初始化网络参数;为了进一步增强生成样本的相似性程度,提出基于生成对抗网络的样本生成方法,通过对抗训练的方式,迫使生成的样本更加相似,从而提高网络参数的初始化能力;模型最终使用少量训练样本对网络参数经行微调以解决因故障标签样本有限而造成诊断率低的问题。实验结果表明设计的模型具有更高的故障诊断准确率以及更快的收敛速度。2)针对现有滚动轴承故障诊断方法难以满足实际工业系统中复杂工况（训练数据与测试数据不同分布）的问题,研究一种基于深度生成对抗网络和方差约束的迁移学习故障诊断方法。首先,利用生成对抗网络能够学习生成任意分布数据的属性,使生成器生成每个类别的目标特征;然后,通过将生成的目标特征和源域特征集合成新的特征集来训练交叉域分类器,使得交叉域分类器获得域不变特征学习的能力;最后,利用训练好交叉域分类器实现对迁移目标（不同分布域）精确的故障诊断。其中,研究的方法将生成对抗网络视为分布差异性度量工具,通过对抗训练的策略来减小源域特征和生成特征分布之间的距离;为使生成的特征更加紧凑,更利于故障分类,通过加入方差项对生成的特征进行约束,从而提高交叉域分类器故障类别的识别率。不同负载下的滚动轴承迁移实验证明了研究方法的有效性。