故障诊断研究对于机械制造,石油化工,风力发电等工程领域具有重要意义。作为现代自动化系统中的关键环节,起到保障设备正常稳定运作的作用,同时也有助于提高工业系统的效率和产品质量,防止安全事故发生。迁移学习,作为机器学习方法的一个重要分支,降低了训练数据必须与测试数据独立且同分布的要求,基于数据或任务的相似性,能将一个或多个领域（源领域）学到的知识,迁移和应用到新的场景（目标领域）中。子空间学习是故障诊断领域的一个分支,解决传统方法考虑数据整体的关系,而忽视了样本之间的局部信息的问题。本文以迁移学习和子空间学习为技术手段,以滚动轴承和田纳西伊斯曼化工过程（TEP）为研究对象,主要从领域自适应、特征提取等方面开展故障诊断方法研究,主要内容如下:1.针对滚动轴承故障在变工况下的领域差异造成故障诊断效果不佳的问题,提出了一种基于迁移学习和深度残差神经网络的滚动轴承故障诊断方法。首先,对信号进行Laplace小波变换,得到信号的初级特征信息;其次,利用深度残差神经网络进一步提取初级特征中的高级特征信息,构建残差神经网络;最后,引进迁移学习,结合联合最大均值误差JMMD衡量两个分布的差异,联合分布适配对齐两域分布,以减小分布差异。2.针对变工况小样本故障迁移问题,提出一种基于分类器加权的条件对抗网络的故障诊断方法,用域鉴别器调整分类器样本权重,帮助区分相似样本,并改写了网络的损失函数。3.针对工业故障诊断中常用的Fisher判别分析（FDA）故障诊断方法的缺陷,提出了基于加权变量和模糊分类的子空间学习故障诊断方法。首先分析变量与故障分类之间的关系,对部分变量加权,突出对故障分类贡献较大的特征。其次将故障数据划分为更多子类,挖掘数据的局部信息,并使用模糊聚类策略对数据进行聚类,得到新的类内类间散度矩阵。本文在四个轴承数据集和TEP数据集上进行实验,分别验证了文章提出的基于迁移学习和基于子空间学习的故障诊断方法的有效性与可行性。