现代机械设备的结构日益复杂,其内部零件的精密度也越来越高,为保障机械设备的平稳安全运行,机械的健康状态监测就显得尤为重要,基于振动信号分析的故障诊断研究因此受到极大关注。传统轴承故障诊断方法需要训练与测试数据收集自同一机械或轴承,在应对变工况或跨机械诊断任务时,网络的识别准确率将大幅下降。本文主要研究了两种基于深度学习的滚动轴承故障诊断方法用于变工况或跨机械条件下的故障诊断。针对收集目标域所有故障类样本非常困难,并且训练好的模型在应对变工况或跨机械故障识别任务时准确率较低的问题,研究了基于域泛化的滚动轴承故障诊断方法,用于变工况或机械设备变动情况下的滚动轴承故障诊断。该方法使用同一设备多种工况数据训练网络,采用多尺度学习方法处理原始时域信号,在特征提取过程中使用多种正则化层正则化诊断无关信息,并且利用最大均值差异最小化约束训练集各工况故障特征聚类,最终通过softmax层实现故障的分类。针对实际工程中能用于训练的有效标注故障数据较少以及多源域迁移过程中因各域数据特征分布不均而可能造成的负迁移的问题,研究了一种基于域权重分析的多源域信息融合故障诊断方法。该方法由域权重分析模型与加权多源域迁移学习模型组成。域权重分析模型用于计算迁移过程中各域所占权重,加权多源域迁移学习模型用于源域诊断信息的迁移以及目标域的故障识别。文中方法使用凯斯西储大学、帕德博恩大学等多个公开轴承数据集数据完成变工况与跨机械故障诊断实验,并与典型方法所得到的实验结果对比,实验结果表明本文所研究方法在应对变工况或跨机械故障诊断任务时具有较好的诊断性能。