机械设备运行状态监测对于保障其安全可靠运行至关重要,轴承作为旋转机械设备的核心部件,一旦发生故障,会造成严重的影响。因此,轴承故障诊断方法研究受到了越来越多的重视。近年来,基于深度学习的智能故障诊断方法发展迅速,然而,大多数现有的工作在假设数据分布不变的情况下表现良好,当数据分布发生变化时,性能会急剧下降。为了提高轴承数据分布发生变化时的故障诊断性能,本文利用深度迁移学习方法围绕轴承智能故障诊断中的故障特征提取、领域自适应方法等内容展开了相关研究。本文工作主要包括如下四个部分:（1）为了更好的从原始一维振动信号中提取故障特征,从而提升轴承故障诊断性能,在一维卷积神经网络（One Dimensional Convolutional Neural Network,1DCNN）的基础上,融合多尺度卷积和注意力机制,用于轴承的故障诊断。该方法直接将一维原始振动数据作为输入,多尺度卷积层提升1DCNN提取不同尺度特征的能力,注意力模块使模型更加关注部分有效特征,从而增强模型特征提取能力。通过在单一负载以及不同负载的轴承故障数据集上开展对比实验,验证了所提方法的有效性。（2）为了提升不同负载下的轴承故障诊断准确率以及故障诊断模型的抗噪声能力,提出了一种基于多尺度胶囊注意力网络和联合分布最优传输（Multi-Scale Capsule Attention Network and Joint Distributed Optimal Transport,MSCAN-JDOT）的迁移学习方法,用于不同负载下的轴承故障诊断。多尺度胶囊注意力网络提高特征学习能力和抗噪声性能,可以更好地提取故障特征;联合分布最优传输对齐不同负载下故障数据的特征分布。通过不同负载下的故障诊断实验证明了所提方法的有效性;另外,在不同的噪声环境下进行了故障诊断实验,验证了模型的抗噪声能力。（3）针对单一领域自适应方法不能兼顾对齐不同分布下故障数据特征和实现良好的故障诊断性能的问题,设计了一种融合最大均值差异（Maximum Mean Discrepancy,MMD）和领域对抗神经网络（Domain Adversarial Neural Network,DANN）的领域自适应方法。MMD具有较好的特征对齐效果,但故障诊断准确率较低;DANN具有较高的故障诊断准确率,但是特征对齐效果较差。融合两种方法的领域自适应可以结合两种方法的优势,在提高特征对齐效果的同时,保证较高的故障诊断准确率。（4）智能故障诊断模型通常需要大量训练数据,而实际情况下故障诊断数据量通常较少且类别不平衡。针对该问题,提出了 一种基于胶囊特征构造图卷积网络（Capsule Feature Constructing Graph Convolution Network,CFCGCN）的轴承故障诊断算法。首先使用胶囊网络提取故障数据的胶囊特征,利用胶囊特征构造关联图,然后使用图卷积网络提取特征,在不同负载下使用融合MMD和DANN的领域自适应方法对齐特征,最后对故障特征进行分类。通过在不同负载下的故障诊断实验,验证了所提方法的有效性。