基于深度学习的智能诊断方法因其不需要丰富的先验专家知识等优点而日益流行,但此方法需要大量带有标签的诊断目标历史数据,这一条件在实际工况中往往难以满足。为解决有监督训练过程中带标签数据不足的问题,迁移学习诊断方法通过无监督域适应,将从相似工况下学习到的诊断知识运用到目标轴承的诊断任务上。然而现有域适应模型由于在原理上的缺陷而在较困难的跨工况诊断任务中容易出现负迁移现象。为解决当前模型存在的问题,论文对现有域适应方法进行了改进,并在此基础上提出了新型动态再权重域适应方法。所提出的域适应方法对不同样本可迁移性差异性进行度量,并对域适应过程与类判别过程进行平衡调节,从而分别解决了跨工况诊断任务中可能由这两方面的因素导致的负迁移问题。论文将提出的新型算法与所设计人机界面有机结合在了一起,开发出了一整套完整的跨工况诊断软件系统,为所提出算法的实际运用创造了条件。为了验证所提出算法和所开发软件系统的实际诊断效果,论文在跨位置和跨转速两种场景下进行了充分的诊断实验,此外,为了分别验证所提出模型中两个动态权重模块的效果,论文中进行了相关的消融实验,进一步证明了两个模块各自的有效性。实验结果及相关分析证明了所开发软件系统的可用性以及所提出算法相对于其他诊断模型的优越性。