滚动轴承广泛用于旋转机械中,其失效会导致生产率损失和较高的运行成本。因此,轴承的故障诊断对于确保高性能传动至关重要。最近,各个领域都成功开发了用于轴承故障诊断的数据驱动方法。但这些方法仍然存在很大的局限性,例如在训练数据和测试数据具有相同分布的情况下训练此类模型。这极大地限制了数据驱动模型的广泛应用,特别是基于神经网络的故障诊断模型。因为当操作环境和条件发生变化时,上述方法往往无法检测到故障。为了解决这个问题,本文研究了新颖的基于深度学习的预训练模型故障诊断方法,开发用于轴承和齿轮箱的故障诊断高性能模型。首先,针对原始信号的单一维度性,采用了时频成像的方法融合多通道传感器信号,利用深度卷积神经网络对于图像特征的捕获能力,实现基于深度学习的故障诊断方法。其次,针对目前许多基于深度学习的诊断模型对时频特征捕获能力不足,参数训练繁琐低效的问题,开发了基于预训练模型的诊断思路,通过迁移低层级模块参数权重预置网络,开放高层级模块调整网络对具体任务的适应度,不仅加快了深层卷积神经网络的收敛速度,也同时提高了针对滚动轴承的故障识别率,从而提高了故障诊断效率。该方法还降低了故障诊断模型对人工特征选择的依赖程度,通过与多种基于机器学习的诊断方法作比较发现,该方法能很好地适用于标签较少的数据样本。最后,针对深度卷积神经网络网络层数过于复杂,参数量庞大,而正确率增益却逐渐递减的问题,开发了针对基于深度学习的滚动轴承诊断网络模型的模型缩放思路。主要从深度（layers）,宽度（channels）和分辨率（resolutions）入手,利用移动倒置瓶颈卷积（MBConv）优化了深度网络结构。不仅数十倍的缩减了参数量,加快了收敛速度,提高了滚动轴承故障检测精度,并显著减小深层网络的规模,提高模型的可扩展性。通过Case Western Reserve University轴承实验平台和东南大学Drivetrain Dynamic Simulator实验平台上验证了本文提出的两种方法的有效性。