随着工业生产过程复杂度的增高,生产设备的智能化与大型化程度也越来越高,轴承作为生产设备的重要零部件之一,它的健康状况直接影响着整个设备的运转情况。因此,从设备安全方面来说,研究轴承故障诊断方法是非常有必要的。在实际工作过程中,轴承大多数时间处于正常运行状态,采集到的各种故障状态的数据数量不均衡,这就造成了数据不平衡问题。因此,本文提出了基于改进的2D-ACGAN-CNN数据不平衡故障诊断方法。该方法首先将采集的电机轴承一维振动信号转换为二维灰度图像作为辅助分类器生成对抗网络（ACGAN）的输入;其次,为了降低网络训练过程中噪声等异常值的影响,提高模型的鲁棒性,在ACGAN网络中引入了自适应损失函数,该损失函数在网络训练过程中可以根据其超参数的不同来选择不同形式的损失函数,从而降低异常值对网络训练的影响;最后使用平衡后的数据训练卷积神经网络（CNN）进行轴承故障诊断。在电机轴承工作过程中,轴承的负载是随时变化的,这就使得在不同工况下采集到的数据分布差异较大,降低了模型的诊断精度和泛化能力。针对上述问题,本文提出一种基于二维图像的辅助分类器生成对抗网络和子领域自适应（2DACGAN-SAN）集合型故障诊断方法。该方法将首先两种工况下的数据分别划分为源域数据集和目标域数据集,并使用改进ACGAN网络生成样本来增强数据集。然后使用子领域自适应网络（SAN）,将提取的特征映射到特征空间,将源域和目标域的特征分布在相关子领域对齐,使子领域分布差异最小化,计算联合损失,对变工况轴承的故障进行自适应诊断。最后,为了验证本文方法的有效性,选取了美国凯斯西储大学轴承数据集（CWRU）和东南大学感应电动机轴承数据集（ML）作为实验对象,并设计对比实验,将本文所提处理数据不平衡和变工况问题的方法与其他方法比较。实验结果表明,改进的ACGAN网络能够生成质量较好的样本来平衡数据集,可以有效地解决样本不平衡的故障诊断问题。所提的2D-ACGAN-SAN方法实现了轴承变工况故障诊断,模型的泛化能力和故障诊断精度得到了提高。