工业领域存在着大量的旋转机械,保障设备安全运行,及时诊断出设备潜在隐患,从而避免意外停机造成经济损失和人员伤亡,对于社会和企业有着重大意义。目前,多数企业采用定期维护的方式对旋转机械进行设备管理,随着新型传感、物联网、大数据、边缘计算以及人工智能等先进技术的深入发展,旋转机械故障诊断与预测性维护正朝着数字化、智能化方向快速迈进。噪声干扰增加了设备异常、故障状态检测的难度,因此去除噪声是实现设备异常有效诊断的前提。此外,为了适应不同工况下的故障诊断需求,旋转机械的故障诊断模型的泛化能力也需要进一步提高。因此本文针对旋转机械异常检测、故障诊断特征提取以及模型迁移等问题,基于神经网络的理论基础,分别从异常检测模型的特征提取、多传感器数据特征融合以及不同工况下故障诊断单源和多源迁移模型的建立这四个方面进行研究,并进行工业应用与部署,具有较好的理论意义和实用价值。论文主要研究工作和创新点如下:针对工业现场旋转设备异常检测时,存在的样本不平衡和复杂工况下的噪声干扰问题,提出了基于人工神经网络的异常检测方法。数据预处理阶段对原始数据进行去噪重构,引入稀疏去噪自编码器网络,对带有高噪声的无标签样本进行特征提取,结合孤立森林算法的异常检测能力,完成对设备故障的快速识别。通过仿真建模定转子故障实验,以及公开数据集上测试,验证了所提方法较传统方法在各项指标上具有性能提升;针对多传感器数据特征存在的差异性,提出基于卷积神经网络的多传感器特征融合故障诊断方法。设计了两类独立的特征提取器,解决了不同采样率传感器数据特征提取的问题,利用谐波特征和神经网络特征等多种特征进行融合,并引入基于决策树的分类器,实现故障种类的高效诊断。设计制造了定转子故障样机进行实验,验证了所提方法的分类效果,相比于传统的分类算法,具有更高的准确率;针对故障诊断模型泛化能力差的问题,提出了一种基于时频图和预训练模型的单源数据迁移故障诊断算法。利用HHT时频分析处理原始数据,充分获取时序数据集的物理信息,提出残差神经网络预训练模型作为特征提取与数据迁移的主体网络,并对故障诊断任务进行适配,解决了模型泛化问题,引入中心损失函数,提升了故障分类性能。搭建轴承故障实验台,设计多个工况变化实验,并利用公开数据集测试,验证了该方法的泛化性能;针对多个故障数据集的相似和差异化特征,提出了一种基于两级神经网络的多源数据迁移故障诊断算法。设计了特殊的两级神经网络,用于提取多个源域数据集的通用特征和差异特征,定义了多个损失函数,提升了故障诊断模型性能。通过公开数据集进行多种场景的实验验证,结果表明多源域数据迁移方法较单源域数据模型迁移方法提升了模型的泛化能力。利用新型传感、大数据、物联网、边缘计算和人工智能技术,结合谐波分析与上述多种研究算法,设计开发了多套旋转机械在线监测和故障诊断系统及检测设备,并应用于企业现场,实现研究算法与多种信息技术的集成创新。上述系统及设备可以推动中小企业向数字化、智能化转型,促进产品升级换代。