轴承作为机械设备最重要的零件之一,由于长期处于重载、高温和高速等恶劣工作条件,轴承容易损坏,甚至造成人员伤亡。因此为了保证人员安全,降低维护成本并避免灾难性事故,对轴承工作状态监视及故障诊断技术的研究是学术界研究的焦点。目前,基于深度学习的智能诊断方法被广泛应用在轴承故障诊断。然而,基于深度学习的诊断方法大多数都需要大量的训练数据。在实际的轴承故障诊断中,相同故障的信号在不同工况下往往存在较大差异,这给轴承故障诊断带来了一个重大挑战,通常无法获得足够的样本来使分类器对每种故障类型都具有鲁棒性,获取到的训练数据通常是不足或不平衡的。所以本课题的重点研究对象是数据不足或不平衡的轴承故障诊断,即小样本条件下的轴承故障诊断。主要研究工作如下:（1）针对数据不足或不平衡的轴承故障问题,提出基于信息生成对抗网络（info GAN）数据增强的轴承小样本故障诊断方法。该方法对原始振动信号进行短时傅里叶变换,得到时频样本数据,然后再将其输入到info GAN中进行训练,直至info GAN达到纳什平衡,即网络达到收敛,就可得到样本特征更加丰富的数据集。此外,该方法结合了时域和频域信息,有更高的诊断准确率和较高的泛化性,能够实现轴承故障的有效分类。（2）针对数据不足或新的故障类型出现问题,提出一种样本重构策略的卷积孪生网络小样本轴承故障诊断方法。该方法的卷积孪生网络由卷积层和池化层组成孪生子网络,卷积孪生网络基于构造同类、异类样本对,将样本对逐对输入模型进行训练,在原始采集的样本数量不变的情况下扩充数据规模,将复杂的分类建模问题转化为样本间的相似度对比问题,减少了模型对数据量的需求,同时降低了任务的复杂度。实验结果表明,该方法在小样本数据集上具有良好的诊断性能和拥有较强的抗噪性能;其次,当新的故障类型出现时,不需要收集足够的新的故障类型样本重新训练模型,可直接进行诊断。（3）针对单分类器故障诊断难以全面反映轴承的健康状态和单分类器不能充分利用传感器中的数据,在基于样本重构策略的卷积孪生网络的小样本轴承故障诊断的基础上,提出基于改进DS（Dempster-Shafer）证据理论融合的小样本轴承故障诊断方法。将距离冲突度量和改进Shannon熵计算出的权重作为联合权重对原始证据的基本概率函数（BPA）进行修正,对修正后的BPA按照传统DS证据理论融合规则进行融合。随后将改进的DS证据理论算法融合卷积孪生网络的多分类器诊断结果。实验结果表明,改进的DS证据理论算法对多分类器结果融合可以充分发挥各分类器优势,达到“扬长避短”的理念,可以减少误判提高分类效果。