滚动轴承作为机械设备的关键部件之一,在大载荷、强冲击等复杂工况下,极易发生各种故障。对其进行有效的剩余寿命（Remaining Useful Life,RUL）预测有利于预防重大事故的发生。轴承的RUL预测主要包括三个环节:确定早期故障发生的起始点,构建反映轴承退化状态的健康指标（Health Indicator,HI）和建立RUL回归预测模型。受各种因素的制约,在实际工程应用中往往存在以下挑战:1)采集的监测数据以流数据形态贯序到来,需要实时检测早期故障,确定RUL预测的起始状态;2)轴承长时间处于正常运行状态,故障数据较少,需借助不同工况的退化数据,以此挖掘轴承的时序演化机理,构建时序表征能力强的HI;3)跨工况的时序退化特征分布不一致,需借助迁移学习传递领域信息,提升RUL预测模型的泛化能力。针对上述需求和特点,本文以轴承的振动信号为数据对象,围绕时序退化数据的时序特性,在理论上研究时序深度迁移学习的理论和算法,重点研究如何在不同工况之间传递故障退化趋势信息,进而构建多个深度迁移学习模型,解决多工况轴承退化序列的RUL预测问题。本文主要研究内容包括:（1）针对在线数据贯序到达、检测模型不稳定的问题,提出一种深度特征自适应匹配的在线早期故障检测方法,以此确定轴承退化的异常起始点。该方法包括离线和在线两个阶段,离线阶段,利用已知全寿命轴承数据进行状态划分,深度特征提取和支持向量数据描述（Support Vector Data Description,SVDD）模型构建。在线阶段,提出一种一维锚点映射策略,对贯序到达的数据进行自适应在线样本重构,其次提取深度特征并输入到离线阶段训练好的SVDD模型进行在线检测。在IEEE PHM Challenge 2012数据集上进行实验验证,结果表明本文所提方法能够实时检测早期故障,确定退化起始点,检测结果具有较好的鲁棒性。（2）针对在线场景中故障数据量不足,但需构建时序表征能力强的HI问题,提出一种基于多尺度深度特征迁移的HI构建方法,挖掘轴承退化的时序信息和演化知识。该方法以域对抗神经网络为基础模型,引入最大均值差异和Laplace正则项,从全局尺度和局部尺度进行源域和目标域的公共特征提取,在反映轴承公共退化趋势的基础上增强早期微弱故障的特征表示能力,实现数据量不足情况下的HI构建。同时本文提出一种性能评价指标,该指标既考虑到健康指标自身的非线性特性,又考虑到不同领域的几何相似性。在IEEE PHM Challenge 2012和XJTU-SY数据集上进行对比实验,结果表明,与现有的HI构建方法相比,本文所构建的HI具有较好的单调性和趋势性;与现有评价指标相比,本文提出的评价指标可解决迁移学习场景下的HI性能评价问题。（3）针对不同工况退化数据分布不一致的特点,提出一种基于深度时序特征迁移的RUL预测方法。该方法首先利用时间卷积网络充分挖掘时序退化深度特征,其次提出一种最小化序列相似度方法,选取目标域与源域之间的公共敏感特征集,最后采用支持向量机（support vector machine,SVM）构建RUL预测模型,实现跨工况的RUL有效预测。在IEEE PHM Challenge 2012数据集上进行对比实验,结果表明本文所提方法工况依赖性低,且具有准确的预测效果。（4）针对在线工况信息未知这一极端条件下,如何在线评估轴承的剩余寿命的问题,本文从时序退化信息迁移的角度出发,首先构建融合第三方退化信息的时间序列迁移递归预测模型;其次,利用迁移成分分析对预测的在线退化序列和已有离线序列进行公共特征空间适配,提取域无关特征,最后利用（3）中所构建的SVM评估RUL。在IEEE PHM Challenge 2012数据集上进行对比实验,结果表明本文所提方法可在只有早期故障数据的情况下准确预测退化趋势,为未知工况下的轴承在线RUL评估提供一种有效的解决方案。综上所述,本文面向实际工业场景的需求特点,深入研究面向时序数据的深度迁移学习理论,为多工况轴承退化序列的RUL问题提供了一系列新的且有效的解决方法,提升了预测模型的准确度和鲁棒性,具有显著的理论意义和工程应用价值。