齿轮传动系统在航空航天、石化冶金、风力发电、轨道交通、武器装备等行业中得到了广泛的应用。随着现代工业的发展,对机械设备提出了更快、更精确、更智能、更可靠的要求。然而,关键装备齿轮传动系统的失效可能导致安全事故和重大经济损失。在工业服役环境中强噪声、变工况和故障样本过少等因素严重影响设备故障识别的准确率。因此,开展抗噪性强、鲁棒性强、识别率高的故障识别方法研究,对保证设备的安全运行、提高生产效率具有重要意义和实际工程价值。近年来,人工智能和深度学习理论得到了迅速的发展,为深度神经网络的故障识别提供了坚实的理论基础。深度神经网络在实际工业环境服役的齿轮箱故障识别应用中仍然存在很多难题。例如,强噪声、变工况、故障样本过少都会导致识别误报率较高。本论文以提高工业服役设备故障识别准确率为目的,考虑强噪声、变工况、小样本和跨域识别等因素,从增强故障特征敏感性、鲁棒性及表征力等方面开展了研究。论文的主要研究工作包括:（1）针对工业环境中强噪声降低故障特征敏感性的问题,提出了参照化网络。参照化网络包含多个参照单元,参照单元的卷积核长度根据故障特征设置的。参照单元以健康信号作为参照,消除或减弱故障信号中的环境噪音或不利影响因素,增强了故障特征的敏感性,提高了强噪音环境中机械设备故障识别的准确率,在齿轮和轴承数据集上验证了参照化网络的有效性和准确性。（2）针对时变工况影响特征分布导致识别模型鲁棒性差的问题,提出了深度插值神经网络。深度插值神经网络由多个子网络单元、一个权重单元及融合单元组成,经过权重单元和融合单元对提取的特征进行插值融合,增强了故障特征的鲁棒性,提高了未知负载样本的识别精度。经与多个公开数据信号的分析结果进行了对比,验证了该网络模型的识别有效性和正确性。（3）针对小样本训练引起网络模型过拟合,导致特征表征力弱的问题,提出了风格对抗生成网络,包括生成器、鉴别器和筛选单元。风格对抗生成网络从有限样本的潜在空间中提取故障特征,通过重新组合特征生成新的故障样本数据,经过tSNE聚类筛选,获得了具有真实样本特征的数据集。它不仅有效的扩充小样本数据集,而且提升了样本整体特征的完整性。通过公开数据集的完备数据与生成样本数据的对比分析,验证了风格对抗生成网络的有效性。（4）针对强噪声、变工况、小样本以及跨域等因素导致识别率不高的问题,融合参照化网络、插值网络和多域迁移网络,提出了多网络协同的跨域故障识别方法。该方法不仅提高了源域数据迁移的成功率,而且具有较强的抗噪性和鲁棒性。在不同的轴承和齿轮数据集进行了跨域故障识别实验,与传统智能识别网络和迁移网络对比分析,验证了该方法的有效性和识别率。