滚动轴承是旋转机械设备中最常用也是最容易产生故障的关键零部件之一,旋转设备的运行性能与滚动轴承的健康状态息息相关,因此,对滚动轴承进行故障状态诊断显得尤为重要。但实际生产过程中,由于机械设备无法长期运行在故障状态下,所以难以获得完备的多种故障状态下的实测数据,无法通过常规的智能诊断算法对轴承故障进行模式识别。针对此问题,本文提出非完备数据情况下的轴承故障辨识方法。在基于轴承动力学仿真的虚拟样本构建、实测数据标签未知情况下的故障辨识、实测数据较少且与待测样本存在工况差异情况下的故障辨识这三方面展开深入研究,旨在使用轴承动力学仿真所生成的虚拟数据对实测的轴承数据进行故障诊断。主要研究内容如下:（1）针对实际生产中,带标注的轴承振动数据集不易获得的问题,以深沟球轴承为研究对象,基于Hertz弹性接触理论,通过研究滚动轴承正常和各类局部故障状态下的动力学特性,对实际轴承系统进行简化,建立四自由度的滚动轴承动力学模型。通过对动力学微分方程进行求解,生成不同故障状态下的振动信号虚拟样本数据。最后从时域频域波形、统计特征、概率分布等角度对所建立的动力学模型合理性以及虚拟样本和实测样本之间的相似性进行了分析。（2）针对动力学仿真生成的虚拟样本与采集所得的实测样本分布不一致的问题,提出以虚拟样本作为源域、实测样本作为目标域,利用几何和统计联合对齐（Joint Geometrical and Statistical Alignment,JGSA）对实测轴承数据进行故障状态辨识,同时引入基于Choquet模糊积分的多分类器融合算法对JGSA迭代过程中的分类结果进行决策融合,解决了单一特征迁移学习过程中的负迁移问题。最后通过实验验证了所提方法的有效性和鲁棒性,并与多种算法进行了对比分析表明了本文算法的优越性。（3）针对传统的故障诊断域泛化方法需要多种转速下大量数据训练模型的问题,提出了虚实数据编码映射的轴承强化诊断方法。首先使用编码映射网络将某一转速下少量实测样本和大量虚拟样本向标准虚拟样本进行投影,由此缩小实测和虚拟样本之间差异;然后在测试阶段,根据待测样本的转速信息生成该转速下的虚拟样本,将实测和虚拟样本通过训练好的编码映射网络进行特征提取;最后使用投影后的虚拟样本训练分类器对实测样本进行分类,并将多个分类器的分类结果进行加权融合,由此提高算法鲁棒性。实验证明,所提方法只需某一转速下少量实测样本即可对其余转速下的样本进行在线实时监测,解决了传统域泛化中多种转速下的大量实测样本难以获取的问题。