感应电机作为工业领域最重要的动力来源,搭配变频控制系统来实现动力的可控输出。定子绕组作为产生磁场的核心部件容易发生匝间短路故障,匝间短路故障是绕组绝缘能力缓慢退化的渐变过程,对不同程度的匝间短路故障进行诊断,有助于在早期发现故障,保障电机安全稳定运行。随着人工智能技术的发展,基于数据驱动的故障诊断方法得到广泛应用,结合信号分析方法获取电流信号中故障特征,通过故障特征来训练诊断模型以实现故障状态的识别。本文借助仿真模型的故障电流分析为匝间短路故障诊断提供知识支撑,研究深度学习方法以实现电流信号深度特征的自适应提取,研究迁移学习方法以实现仿真电流到实际电流的故障诊断,最终建立小样本数据条件下的电机匝间短路故障程度诊断模型。本文的研究内容主要分为以下三点:（1）建立电机故障仿真模型,通过设置故障程度生成仿真故障电流样本。针对电机长时间运行后电机参数发生改变,研究基于粒子群的电机参数辨识方法,获取电机基本参数。针对实际电机绕组接线方式,搭建中性点电压修正的故障仿真模型,缩小仿真故障电流与实际故障电流的差距,通过生成仿真电流样本为后续研究提供支撑。（2）研究电流信号分析方法和基于统计机器学习的故障诊断方法,通过多种信号分析方法提取定子电流的时频域特征,利用支持向量机进行故障程度分类,确定定子电流可以区分匝间短路故障程度。基于机器学习的诊断方法需要依靠经验选取特征参数,特征提取能力不足。针对这一问题,研究基于深度学习的故障诊断方法,搭建基于Res Net的神经网络,从电流信号中自适应的提取故障的深度特征。深度特征具有更强的故障程度表达能力,故障诊断准确率提高到98%。（3）针对实际故障样本数量有限的问题,研究了从仿真故障数据到实际故障诊断的知识迁移机制,研究了参数迁移和特征迁移两种实现匝间短路故障程度深度迁移诊断策略,搭建了基于参数迁移的模型迁移网络和基于深度特征分布对齐的特征迁移网络,训练网络从仿真数据集中学习故障潜在知识,应用到实际数据的故障诊断任务中,实现了在实际样本数量有限条件下的故障程度区分。