低速滚动轴承作为旋转机械装备的关键零部件,广泛应用于风力发电机、造纸机、起重机等大型机械设备中,主要起到支撑负载和提供稳定转速的作用。由于这些大型机械设备在实际工作中往往需承受较大的载荷,导致低速滚动轴承容易发生故障。一旦低速滚动轴承发生故障,将会影响机械设备的正常运转,甚至造成人员伤亡。因此对低速滚动轴承故障诊断十分必要。目前,解决滚动轴承故障诊断的方法多种多样,尤其是振动信号分析方法得到了广泛的应用。然而低速滚动轴承运行转速低,滚动体与滚道表面碰撞产生的振动能量微弱,因此,振动信号分析方法已难以满足低速滚动轴承故障诊断的要求。声发射技术能探测到轴承故障本身所产生的能量,也能接收到在材料早期缺陷发展阶段产生的声发射信号,并且可以及时地发现低速滚动轴承的微弱故障。基于此,本文将声发射技术用于低速滚动轴承故障诊断。本文主要研究内容如下:（1）振动信号在低速滚动轴承故障诊断中表现较差,且轴承经常在不同转速下运行。针对上述问题,提出基于声发射信号和子空间嵌入分布对齐的低速滚动轴承故障诊断方法。通过分析低速滚动轴承的声发射信号和振动信号,构建声发射频谱数据集以表征低速滚动轴承故障特征,采用子空间学习方法消除冗余特征,并利用自适应因子缩小不同转速所带来的分布差异。采用两组不同转速下的轴承数据对该方法进行了验证,结果表明,所提方法能有效识别不同转速下低速滚动轴承的故障类型。（2）针对不同转速下低速滚动轴承故障诊断中特征提取困难,数据分布差异巨大影响诊断结果,提出深度注意力迁移的低速滚动轴承故障诊断方法。利用小波变换对原始信号进行处理以揭示低速滚动轴承故障信号的时频特征,通过将注意力机制和深度学习相结合提取低速滚动轴承故障信号的关键特征,并通过领域适配实现特征迁移以减少不同转速所带来的干扰。将所提方法应用于轴承故障数据,并在数据中添加了噪声。结果表明,所提方法具有良好的特征提取能力,且抗噪性能强。（3）低速滚动轴承复合故障与单一故障样本间相关性高易造成错分类,且低速滚动轴承转速往往不同。针对上述问题,提出一维深度子领域适配的低速滚动轴承复合故障诊断方法。分析复合故障与单一故障信号之间的相关性,利用子领域适配方法对齐子领域分布以避免特征混合,并通过领域适配缩小子领域分布差异以减少不同转速所带来的干扰。将所提方法用于轴承复合故障数据,所提方法能有效诊断低速滚动轴承复合故障。论文最后对本文所做工作进行了总结,并展望了以后的研究。