针对实际工业生产中经常遇到的滚动轴承故障样本不足、数据采集设备易受周围环境影响等,致使获得的数据受到不同程度的干扰,导致传统的处理方法对受干扰数据的分析处理能力较差的问题,提出一种基于改进AlexNet网络与迁移学习相结合的小样本滚动轴承故障诊断方法.首先,对预训练的AlexNet卷积层进行改进调整,将网络中的先局部归一化再池化的步骤调整为先池化再局部归一化,然后,将AlexNet网络中的ReLU激活函数替换成Leaky ReLU函数,并对AlexNet网络的最后3层进行微调.将所提出的方法与其他方法在美国凯斯西储大学轴承数据集上进行准确性和抗噪性测试,所得结果证明所提出的迁移学习方法比其他方法的准确率和鲁棒性更高.