已经为机器故障诊断开发了各种深度迁移学习解决方案，这些解决方案是纯数据驱动的。在以往的研究中，已经总结了大量关于不同机械部件故障的先验知识。这些先验知识的价值在现有的深度转移解决方案中还没有被深入挖掘，这可以极大地促进训练过程并提高网络模型的诊断性能。然而，如何将先验知识表示和合并到深度模型中仍然是一个挑战。针对这一问题，本文提出了一种知识和数据双驱动的故障诊断传递网络。通过包络分析和通带选择提取故障信号的先验频率知识。在此基础上，提出了一种基于带通滤波器的嵌入方法，通过在卷积核中嵌入滤波器来融合先验知识。构建双通道权重共享深度适应网络，实现先验知识嵌入和跨领域知识转移。采用多核最大均值差异(MK-MMD)进行域自适应。对称约束用于保留带通核的线性相位特性。构建的网络结合了数据驱动和知识驱动机制，被称为知识和数据双驱动传输网络(KDDT网络)。在实验室采集的工业机器人旋转矢量减速器数据集和一些轴承基准上进行了大量实验。与最新方法的比较结果表明了该方法的优越性。