本文针对工程项目研究中出现的基于深度学习的电机故障诊断面临的电机参数变化引起的故障识别准确度下降问题与小样本问题进行研究,提出了一种基于深度迁移学习的电机故障诊断方法来缓解这两个问题。在使用深度学习方法对电机进行故障诊断时通常会出现实际使用精度比实验精度下降的情况,其主要原因为电机各个参数之间互相耦合,电机在使用过程中由于各种原因其参数偏离其初始值,实际采样数据与神经网络模型训练数据分布差异变大,进而导致网络性能下降。其次在实际工程中,故障诊断对象电机与采样网络训练数据时使用的电机不同,因此采样数据分布不同,这也会导致网络性能下降。此外由电机故障数据不足引起的小样本问题也是工程中使用深度神经网络的难题。本文首先针对电机主要出现的各种类型的故障进行简要分析,得到了反映每种故障主要特征的电机参数类型。以Dense Net为基础结构构建网络特征提取器,在网络中添加了参数识别模块用于跟踪电机故障有关信号的变化情况,其输出经过处理后与网络特征提取器输出相连接用于为网络特征空间提供更丰富的数据。通过实验证明了参数识别模块有助于提高网络顶部的分类器网络性能,减缓了网络在参数变化情况下的故障识别性能下降的程度。为了进一步提升网络在参数变化时故障诊断性能,在网络中使用域自适应层与域分类器来进行对抗式域自适应学习,利用源域数据训练基本网络后使用迁移方法对目标域数据进行无监督学习,并结合小样本学习的方法实现了对目标域小样本情况下的故障诊断。使用公开数据集CWRU等通过实验对网络进行测试,并与主流深度迁移学习方法进行比较,验证了该方法的可行性、有效性及先进性。得出了该网络能够通过在神经网络模型中嵌入参数识别模块来显式地为分类器网络添加电机参数变化信息特征,通过结合迁移学习与小样本学习的方法提高了网络在故障诊断中抗变参数的能力与小样本学习中的性能的结论。