针对变工况环境下滚动轴承源域和目标域数据分布不同，目标域样本不含标签的问题，提出了一种基于深度自适应迁移学习网络（DATLN）的滚动轴承故障诊断模型。首先，建立域共享特征提取网络，利用多尺度卷积神经网络（MSCNN）抑制噪声干扰，有效提取振动信号中包含的局部故障信息。其次，结合双向长期和短期记忆网络（BiLSTM），进一步了解局部故障信息中的时间特征。最后，介绍了迁移学习，通过领域对抗（DA）训练结合自适应联合分布（AJD）测量构建了领域适应模块。通过最大化域分类损失和最小化AJD距离，对源域和目标域的特征样本进行对齐。分别在开源CWRU数据集和机械故障平台实测数据集上进行了抗噪声实验和偏移实验。抗噪实验表明：（1）在无噪声环境下，MSCNN－BiLSTM网络的识别准确率达到99%以上，表明其具有良好的特征提取能力。（2） 识别准确率在mscnn bilstm、LeNet－5、MSCNN和BiLSTM中，噪声强度随着噪声强度的增加而减小。（3） 在dB噪声环境下，MSCNN－BiLSTM网络的平均识别精度分别为3、5和10，高于LeNet－5、MSCNN和BiLSTM网络，表明mscnn bilstm网络具有更好的抗噪声干扰性能。（4） MSCNN－BiLSTM网络首先在无噪声环境和dB噪声环境中收敛和波动较小。偏移实验表明：（1）在未标记的目标域数据集上，Da+Ajd方法的平均识别准确率为97.36%，高于Baseline、偏移分量分析（TCA）和域对抗神经网络（DANN）。（2） 在测试中，只有一个Da+Ajd方法样本被错误识别，表明基于域自适应的Da+Ajd方法具有更好的故障迁移诊断性能。（3） 使用t－SNE算法可视化源域和目标域处理后的特征样本，只有少量目标域滚动体断层和外圈断层特征样本与源域内圈断层特征样本区域错误对齐，结果表明，Da+Ajd方法可以有效地减小源域和目标域边缘分布和条件分布的差异，从而达到更好的特征样本对齐效果。