随着我国客货运量的增大,铁路列车朝着大型化、复杂化、高速化及自动化方向发展。随着设备使用的频次和强度的提高,使得一些运行安全关键部件极易存在隐患或出现故障,并进一步导致严重的安全事故。滚动轴承是铁路列车走行部应用最为广泛的动力传动部件,其性能好坏直接影响轨道车辆的运行安全。因此现阶段研究稳定可靠的轮对轴承故障诊断方法具有积极意义。本文以铁路机车车辆轮对轴承为研究对象,针对车辆轮对轴承故障诊断中存在的数据不均衡情况下和变化工况条件下的故障诊断问题展开研究,对应着提出了两种故障诊断方法。本文的主要研究内容包括:（1）针对铁路列车离线分析应用场景中存在的故障样本稀缺导致的数据分布不均衡问题,将条件生成对抗网络引入到滚动轴承振动信号的数据扩充中。在分析生成对抗网络生成新样本机制的基础上,利用条件对抗生成网络框架搭建轴承振动数据扩充模型。利用凯斯西储大学的实验室轴承数据和机车车辆轮对轴承数据集训练数据扩充模型。最后通过生成信号质量测试进一步的验证了该数据扩充方法的有效性。（2）针对现场数据中存在噪声难以有效提取信号特征的问题,利用结合注意力机制的残差网络构建了端到端的轴承诊断模型。针对列车轮对轴承离线数据不均衡问题,运用条件生成对抗网络扩充数据集到达均衡状态,再利用本章提出的诊断模型完成故障诊断任务,构建了数据不均衡状态下的滚动轴承故障诊断模型。利用两种数据集验证了该方法在一定程度上解决了离线分析应用场景下机车车辆轮对轴承故障诊断的不均衡数据问题。（3）针对铁路列车在线监测应用场景中变工况导致传统智能故障诊断方法准确率下降及有标签数据缺乏的问题,提出了一种基于改进深度对抗迁移学习轴承故障诊断方法。在对领域对抗神经网络的迁移学习方法进行研究的基础上,利用中心矩差异测度改进了领域对抗网络,构建了变工况场景下的滚动轴承诊断模型。使用两种实际数据训练改进的领域对抗网络,利用有标记的源域数据集对无标记变工况目标域数据集的诊断与识别,实现在线监测应用场景下变工况轴承故障诊断任务。经实验验证该方法在一定程度上解决了机车车辆轮对轴承在变工况情况下端到端故障诊断问题。正文图45幅,表16个,参考文献65篇。