滚动轴承在人们的日常生活中是十分常见的,也是十分重要的,其运行状态的安全与否直接决定着生产效率和盈利。滚动轴承一般运行在恶劣的环境中,其运行状态总是不平稳的,工况时刻变化则更加难以分辨,采用时频分析可以更好的进行轴承的故障分类。面对下面两个问题:（1）针对这些不平稳带来的变工况问题,通过连续小波变换和多尺度神经网络算法进行开展解决,（2）在以往的深度学习中,训练一个好的神经网络往往需要大量的优质数据才能获得一个优秀的网络。然而,在实际工业环境中很难收集到足够多的标签数据,尤其是缺乏故障数据,所以针对样本少问题也需展开讨论。迁移学习算法在滚动轴承故障诊断领域越发变得火热,也变得越来越重要,下面介绍一下滚动轴承变工况和小样本情况下在迁移学习算法研究中的相关内容。针对变工况和小样本的问题,迁移学习算法有着独特的优势,开展滚动轴承故障诊断方法研究是十分有必要的。（1）基于迁移学习的多表示深度域适应滚动轴承故障诊断方法研究在恶劣条件运行滚动轴承因为转速和负载的变化,往往获取的轴承振动信号也是不平稳的,这使得故障特征提取变得非常困难。无论是传统的机器学习还是深度学习都要求数据特征保持独立同分布,但是在实际的生产生活中很难保证其在相同工况下运行,由于工作条件的不同,从两个领域采集的故障样本呈现出很大的分布差异,导致分类精度下降。因此建立一个能够消除相同分布假设的有效故障诊断模型仍然具有挑战性。面对所提问题,提出了针对变工况的深度神经网络解决方法。首先将故障数据输入到多表示深度域适应网络（MDAN）进行特征提取,通过多表示网络来获得不同尺度信息,通过多尺度网络获取源域和目标域的特征,将两部分特征输入到希尔伯特空间进行对齐,然后引入MK-MMD进行特征距离度量和计算域损失,最后引入Adam进行网络优化,加快模型收敛。在著名的西储大学轴承数据集进行实验验证,通过多个迁移方案对模型进行评估,实验结果证明,所提方法在变工况下具有优异表现。（2）基于迁移学习的小样本滚动轴承故障诊断方法研究随着计算机的算力的快速进步,深度学习方法逐渐替代了传统的机器学习方法,而且大量的高校教授使用深度学习进行轴承的故障诊断研究,取得了大量研究成果。然而深度学习方法往往需要大多大量的数据,但是实际情况一般很难采集足够的故障数据,这将降低深度学习方法的泛化性能。此外,在真实的工业环境中,标签数据是非常宝贵的。由于昂贵的设备和人员安全问题,很难获得大量高质量的故障标记数据。为此,在文章中,提出了一种多源域的故障诊断方法针对小样本问题,首先利用稠密卷积神经网路来提取多个源域和目标域的特征,将提取出来的源域和目标域特征在高维空间中进行一一对应,然后利用特定领域的决策边界计算边界损失,最后对目标域滚动轴承故特征进行分类。通过实验的验证说明,这样的建模导致对扰动的鲁棒性,通过与其他方法的比较,证明了该方法在小样本情况下的优越性。综上所述,本文通过对滚动轴承故障诊断的相关研究理论和故障形成的原因和机理进行了详细描述,分析了时域分析、频域分析和时频域分析等转换方式和指标数据,对卷积神经网络各个组成部分运行原理和结构组成进行展开讲解,针对研究内容设计了有针对性的神经网络算法,通过公共数据集和实验室数据集进行实验和验证,证明了本文所提方法的有效性和合理性。