机械泵作为现代工业生产机械设备的关键基础装置,承担着输送液体、液体增压等重要任务。相较于传统的人工触测等检修方法,以数据为导向的深度学习等故障诊断算法能够挖掘已有数据中的有效信息,解放人力物力,实现机械泵的智能化故障诊断。然而实际工业生产存在小样本、高噪声、变工况等问题,成为限制基于海量数据训练的神经网络的瓶颈。因此本论文采用迁移学习方法为上述问题提供可行性思路,实现在同种任务不同工况下机械泵早期典型故障诊断,主要研究内容如下:算法模型基于一维振动加速度数据构建参数化模型。首先为保证数据的一致性,提高网络收敛速度,模型训练之前对已有数据进行分割后预处理。利用改进后的非均值滤波（NLM）去除信号噪声与异常点,并结合边界平衡生成对抗网络（BEGAN）数据增强算法对数据量少的CWRU数据集按类别扩充数据量,降低样本缺乏的情况下存在的过拟合风险。其次,在传统一维卷积网络（1DCNN）的基础上结合基于循环神经网络改进的双向长短期记忆（Bi LSTM）构建CNN-Bi LSTM＿ATTENTION端对端故障诊断算法模型;结合上述模型进行特征提取,基于动态分布自适应网络（DDAN）算法,提出域对抗网络CBDATL模型,该模型能够很好的对齐源域与目标域的边缘分布与条件分布。在CWRU数据集与机械故障模拟实验平台数据集上测得诊断准确率在目标域上分别达到99.167%、98.637%以上。通过基于多域特征样本的共性敏感特征迭代网络参数,突破目标域故障样本不足下的迁移学习问题。最后,将训练优化后的算法模型嵌入上位机软件。设计的上位机软件支持无线有线数据采集、设备信息管理、振动曲线实时显示、谱图分析与参数监测、机械故障诊断等功能,实现了机械泵的设备参数与运行状态可视化,降低了设备的维护成本,提高了机械泵故障诊断智能化水平。