基于深度迁移学习的诊断模型有望将诊断知识应用与相关机械，但从这些机械中收集的数据遵循不同的分布。为了减少分布差异，高斯核诱导的最大平均差异（GKMMD）是一个广泛使用的距离指标，对诊断模型的训练施加约束。然而，使用GK-MMD的模型有三个弱点。1）GK-MMD可能无法准确估计分布差异，因为它忽略了数据的高阶矩距；2）GK-MMD的时间复杂度高，需要很多计算成本；3）基于GK-MMD的诊断模型的转移性能对所选核参数敏感。为了克服这些缺点，本文提出了一种名为多项式核诱导MMD（PKMMD）的距离指标。结合PK-MMD，构建了一个诊断模型，将诊断知识从一台机器重复使用到另一台机器。本文通过两个迁移学习案例验证了所提出的方法，其中机车轴承的健康状态是借助于实验室中的电机轴承和齿轮箱轴承的数据来识别的。结果表明，PK-MMD能够改善GK-MMD的低效计算，而且基于PK-MMD的诊断模型呈现出比其他方法更好的转移结果。