在旋转设备中,滚动轴承是主要部件,为了保证滚动轴承能可靠、经济的运行,智能故障诊断技术是必不可少的。由于滚动轴承振动信号具有非线性、非平稳特性,能否提取到具有代表性的故障特征对故障诊断的结果有直接影响。此外,面对实际工业采集的数据中故障样本少且标签信息不足的问题时,传统的深度学习方法表现可能会下降甚至无效,而迁移学习思想是利用一个域的知识解决另一个域新的但相关任务,被用于解决这类问题。针对上述问题,本文围绕特征提取、跨域迁移学习对轴承故障展开了研究,主要内容如下:（1）为从滚动轴承信号中提取有效特征,提出自适应白噪声集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）与能量熵结合的方法。在轴承数据集上,验证了所提方法可以准确、有效的对信号分解处理,并获得有效的故障特征,为后续滚动轴承故障诊断分析奠定了基础。（2）采用改进的Softmax函数结合LSTM对从轴承振动信号中提取的CEEMDAN能量熵特征向量进行识别。中心损失（Center Loss）引入Softmax损失可以缩小类内距离,进一步提高分类精度。在CWRU轴承数据集上的可视化结果表明,引入Center Loss后每个样本都尽量向样本中心靠拢,更容易进行分类。（3）针对跨域故障诊断中,目标域标记数据少时迁移模型泛化能力差的现象,提出基于伪标签的弱监督迁移学习模型。通过构建带有伪标签的目标域数据集,帮助带标签的源域数据一起训练模型,采用Wasserstein度量计算源域和目标域的分布差异,通过迭代学习,1D-CNN学习到可迁移特征实现域自适应。在CWRU、IMS、MPC数据集上进行实验比较,证明了该模型有更好的迁移效果,在目标域无样本标签或样本标签少时,该模型能获得较高的诊断精度。