滚动轴承广泛应用于各大工业生产领域,作为机械装备核心基础零部件之一,其健康状况对整个系统的平稳运行有重大影响。在现代工业中所需监测轴承数量多,依靠传统信号分析进行诊断耗时耗力,此外,轴承故障信号是小样本数据,且故障类型多变,难以获取足够数据训练稳健的诊断模型,现有智能轴承故障诊断算法泛化推广能力不足。本文针对以上问题,以单点损伤的滚动轴承为研究对象,提出了基于时频图像和卷积神经网络的故障诊断模型,并在此基础上利用迁移学习技术完成模型的领域自适应优化,实现了滚动轴承的跨域智能故障诊断。论文以同时诊断滚动轴承故障部位与故障严重性为目标,对故障信号进行了时频对比分析,提出了基于Alexnet进行微调的时频图-能量特征双输入卷积神经网络模型。该模型利用fine-tuning技术大大缩短了训练时长,并在美国凯斯西储轴承数据集上取得了最高100%的识别准确率。针对滚动轴承故障信号随工况变化而改变导致模型诊断性能下降的问题,引入迁移学习技术进行优化,通过在网络中增加CORAL损失层计算训练域与诊断域的数据分布差异来实现领域自适应,提高模型的跨域诊断能力。通过实验验证了所提方法的有效性,并进一步探究了超参数对识别准确率的影响。针对无监督训练情况下诊断域数据类别信息未得到利用,前述模型只适配了数据的边缘分布而未考虑类内特征,提出了基于联合分布自适应的优化方法。通过引入伪标签学习对诊断域进行标签预测,计算了类内CORAL损失,在变载和变数据集情况下进行实验,验证了该方法相对于只适配数据边缘分布的情况,具有更高的识别准确率。论文针对添加自适应层情况下需要利用超参数平衡分类损失和自适应损失,从而存在人工调参的问题,引入对抗训练方法来完成训练域和诊断域的自动领域自适应。实验验证了在变载和变数据集下,模型具有良好的跨域诊断能力。