针对实际工作中由于非工作状态导致的故障数据少、样本不均衡、故障诊断精度低等问题，提出了一种基于辅助分类器-通用自适应网络-深子域自适应网络（acgan-DSAN）相结合的非工作状态轴承故障诊断方法。首先，将不同载荷下的原始一维数据转换为灰度图像，建立二维图像的数据集，将其分为源域和目标域。其次，使用故障样本训练辅助分类器通用自适应网络（GAN，AC）模型，并将生成的故障样本混合到原始样本中，以平衡和增强数据集。ACGAN网络（ACGAN网络）引入了自适应损失函数，它使用超参数来控制模型的鲁棒性，从而减少异常值的影响，提高生成图像的质量。最后，通过对故障分布子域的自适应变换引入故障分布的非线性子域，利用故障分布的非线性子域最小化故障分布的差异，通过对故障分布子域的自适应变换提高故障诊断能力。实验结果表明，该方法能有效提高故障诊断的准确性，使模型具有较好的泛化能力。