旋转机械作为工业生产中最关键的一环,如何保证机械设备健康平稳的运行对工业设备走向智能化和无人化至关重要。虽然传统的故障诊断方法在各个场景中获得了不错的效果,但面对智能化和大数据的今天,传统的故障诊断方法已经无法满足工业智能化开采的要求。本文针对旋转机械中的轴承设备在同工况和变工况场景中存在信号特征提取困难和故障分类准确率低下的问题开展了研究,主要研究内容如下:（1）针对传统机器学习轴承故障诊断方法中统计特征参数的获取需要依靠经验选择且存在特征提取能力不足的问题。提出了一种基于小波包多尺度的轴承故障诊断方法（WPT-MSCNN）,实现故障信号深度特征的自适应提取。首先通过WPT对振动信号进行时频分析,提取时频特征信息;然后利用3×1、5×1、7×1三种大小尺度不同的卷积核提取时频特征信息中的深度特征并完成轴承故障分类,通过实验证明了该方法卓越的特征提取能力和准确率。（2）针对实际轴承故障诊断中存在变工况特征提取困难,目标域无标签、两域轴承数据样本分布不同等问题,在内容（1）中信号分析和深度学习方法的基础上,研究了特征迁移方法,提出了一种WPT时频分析与特征迁移结合的轴承故障诊断方法（WMGRNMM）。首先,利用WPT对非线性非平稳振动信号进行时频分析,构建振动信号的小波包时频特征图（WPT-TFF）。然后,针对WPTTFF尺寸小、特征分散等特点,设计了一种多组并行的Res Net网络结构（MGRN）,提取WPT-TFF的深度特征。最后,利用多核最大平均差异（MK-MMD）分析变工况场景下轴承源域振动信号深度特征和目标域信号深度特征之间的分布差异,并对深度特征提取网络进行优化,使得提取的深度特征具有更好的跨域不变性。实验结果表明,WMGRNMM模型不仅具有较高的变工况故障分类准确率,而且具有较强的模型泛化能力。（3）针对多源故障空间分布差异过大的情况下,特征迁移度量参数对分布差异的约束能力减弱,会导致WMGRNMM模型诊断能力下降的问题,提出了一种基于宽度多尺度域对抗迁移轴承故障诊断的方法（WMSDANN）。首先利用一层32×1大卷积核提取振动信号的全局特征,其次利用3×1、5×1、7×1三种不同的卷积核获取全局特征中不同尺度的故障特征信息;然后通过域对抗网络混淆源域和目标域特征,使二者达到纳什平衡,对齐源域和目标域之间的分布,解决两域数据分布差异过大导致的WMGRNMM迁移诊断准确率低下的问题。实验结果表明,WMSDANN不仅具有良好的变工况多源故障诊断力,而且具有较强的模型泛化能力。该论文有图44幅,表25个,参考文献100篇。