滚动轴承作为旋转设备的关键元件之一,其状态监测与故障诊断对了解设备运行性能以及发现潜在的故障起着重要的作用。传统智能故障诊断方法依赖于数据预处理以及人工特征筛选,模型时效性难以保证且对海量数据的处理有局限性。以深度学习为代表的新一轮人工智能技术使建立端到端深度集成的智能故障诊断方法成为工业智能时代的新目标。深度迁移学习通过不同领域、不同数据之间的相似性,利用深度学习逐层特征提取能力,能够将已有领域的信息迁移到不同的应用场景,为故障诊断领域提供了更多思路。本文以深度迁移学习为主要技术手段,围绕故障诊断领域中小样本学习、模型压缩、变工况故障诊断问题展开研究。主要研究内容如下:（1）针对故障样本小导致深度网络模型训练不充分、过拟合的问题,引入深度模型迁移方法,将含有海量标签数据的其他领域的模型迁移到小样本故障诊断目标域中,目标域共享源域预训练模型的部分参数并进行微调,提高了小样本下深度网络模型的收敛速度和分类性能。（2）针对深度网络结构层数深,参数大,实际工程部署时受计算资源,响应速度等限制难以部署的问题,利用迁移学习的思想,本文提出基于深度知识蒸馏轴承故障诊断方法,将复杂深度网络的故障诊断模型知识蒸馏至浅层网络模型中,在保证精度的情况下,直接部署精简模型来提高故障诊断模型的响应率。（3）针对故障诊断变工况条件下源域和目标域不同分布,标定数据获取困难的问题,本文提出无监督域对抗迁移学习模型（DA-DTL）,结合生成对抗思想建立变工况下轴承故障诊断领域自适应模型,利用深度卷积神经网络作为特征提取器逐层提取多维特征,域分类器以及故障分类器进行对抗训练,实现在标签缺失下不同工况之间的域迁移。