已经开发了许多用于故障诊断的深度学习方法。但由于收集和标记机器故障数据的困难，一些实际应用中的数据集相对于其他大数据基准要小得多。此外，故障数据来自不同的机器。因此，在某些情况下，故障诊断是具有小数据的多域问题，其中难以获得令人满意的传递性能，并且很少从少量学习的角度进行探索。与现有的深度迁移学习解决方案不同，本研究开发了一种新的迁移关系网络(TRN ),它结合了少量学习机制和迁移学习。具体地说，故障诊断问题已被视为一个相似性度量学习问题，而不仅仅是特征加权分类。分别为特征提取和关系计算构建了特征网和关系网。借鉴了连体结构来提取具有共享权重的源和目标领域样本的特征。多核最大平均差异(MK-MMD)被用在具有不同折衷参数的几个较高层上，以实现考虑不同特征属性的高效域特征转移。为了实现基于小数据的高效诊断，采用基于情节的少镜头训练策略来训练TRN。采用平均池来抑制振动序列的噪声影响，这对基于时间序列的故障诊断的成功是很重要的。在四个数据集上的迁移实验验证了TRN的优越性能。在所采用的数据集上，与最先进的方法相比，分类精度有了显著的提高。