当前,基于深度学习的故障诊断得到了广泛的应用。就基于卷积神经网络的故障诊断分类方法而言,带标记的数据量越大,网络训练的特征的表征性越强。但是,在实际的工业生产中,数据的标记是一个人工过程,需要耗费大量的人力和时间成本。因此,通常无法获得大量的带标记样本,这导致了小样本问题和半监督问题。本文采用生成对抗网络,系统研究了小样本问题和半监督问题,以及数据的预处理,并进行了实验验证。提出了面向故障数据的基于生成对抗网络的故障分类方法,该方法采用了信号转图像的预处理方法,在降噪的同时最大限度地保留故障数据的信息。该方法在凯斯西储大学的轴承数据集上达到了99.996%的分类精度,验证了所提方法的可行性。针对小样本问题,本文利用生成对抗网络的样本生成特性,模拟并生成与标记数据具有相同数据分布的样本,拓展样本量,提高最终的分类精度。针对生成对抗网络在少量标记样本下的训练不平衡问题,提出了阈值控制方法,通过在训练过程中动态地调整生成器和判别器的训练关系,稳定网络训练,加速网络收敛。该方法在凯斯西储大学的轴承数据集上达到了99.96%的分类精度,验证了所提方法的可行性。针对半监督问题,本文利用未标记样本中的数据信息辅助分类。判别器的输入包含生成器生成的样本、无标记真实数据和有标记真实数据三个部分,判别器的输出由原来的K维拓展为K+1维。判别器和生成器的损失函数在原来的有监督损失的基础上,加入了无监督损失,使得网络可以利用无标记数据中的信息辅助分类。该方法在凯斯西储大学的轴承数据集上达到了100%的分类精度,也验证了所提方法的可行性。最后,对全文的主要工作进行了总结,并展望了未来值得进一步研究的方向。