许多用于故障诊断的深度学习模型没有考虑滚动轴承的先验诊断知识。此外,由于设备尺寸或安装空间问题,一些测量位置无法收集足够的数据进行诊断。提出了一种基于小波卷积深度迁移学习的交叉测量点滚动轴承故障检测模型。一个新的卷积层包括一个重新设计的卷积核和一个新的能量池层。基于小波构造设计卷积核,用于挖掘时频特征。提出能量汇集层来提取不同频带的能量。相关位置的故障信息已经被转移到领域知识以增强目标特征。不同的领域特征具有基于最大平均差异的多个核变量的自适应匹配。实验结果表明,故障检测准确率可达99.73%,同时验证了该方法的鲁棒性。