近十年来，许多用于故障诊断的深度迁移学习方法被提出。现有的一些方法侧重于解决故障数据稀缺和故障知识跨不同领域、不同样本数量转移的问题。考虑到迄今为止在不平衡和传递故障诊断方面的最佳性能，仍有很大的改进空间。现有的研究应用合成数据生成、加权样本或成本和迁移学习技术来解决这个问题。然而，合成样本可能不遵循真实的断层数据分布或过度利用可用的小数据，这可能导致模型偏差或过度拟合。此外，丰富的正常状态数据的价值还没有得到很好的开发，这些数据可能为故障识别提供必要的信息。针对这些问题，提出了一种新的两阶段可转移公共特征空间挖掘方法——公共特征比较网。故障诊断任务分为两个阶段，共同特征学习和故障类别诊断。在第一阶段，CFCNet训练弱监督域自适应卷积自动编码器来学习多域数据的共同特征，这有效地利用了所有可用的数据，并被称为共同特征网。在第二阶段，将训练好的共同特征网络和唯一特征网络相结合，构建双通道特征提取和比较架构。CFCNet可以挖掘不同故障之间可转换的共同特征和独有特征。基于特征连接和相似性计算结构，CFCNet实现了用于故障诊断的有效相似性估计机制。采用少镜头学习的训练策略训练CFCNet，可以平衡训练进度，而不是不平衡的数据。大量实验验证了该方法的优越性能。