深度神经网络在滚动轴承故障诊断领域得到广泛应用，而将深度神经网络应用于滑动轴承-转子系统故障诊断的研究较少。其中大多数研究假设轴承故障的训练数据与测试数据分布相同，基于该训练数据得到的神经网络能较好地对轴承故障进行描述，但当轴承转子系统的结构和工况发生变化，原神经网络就不能对故障进行准确诊断。提出一种基于改进型联合分布差异（Improved Joint Distribution Discrepancy，IM-JDD）方法的深度卷积迁移学习框架(Deep Convolutional Transfer Learning Network，DCTLN)，该框架采用二维振动图像作为网络输入，通过深度卷积神经网络提取图像的可迁移特征，提出的改进型联合分布差异方法实现了不同结构及工况下滑动轴承-转子系统故障特征的迁移学习。最后在结构不同的滑动轴承-转子实验台上进行测试，结果表明，本框架在不同工况下和不同机器间对无
标记故障样本具有较强的诊断能力，并优于其他竞争方法。