针对滚动轴承早期故障特征边缘分布与条件分布权重难以调节，导致分类任务精度低等问题，提出利用动态对抗自适应网络进行滚动轴承早期故障诊断。首先，将源域样本和目标域样本视作不同阶段的故障样本，利用对抗网络减小领域间的分布差异；其次，在全局领域辨别器和局部子领域辨别器的基础上引入动态对抗因子ω，动态调节2种分布的权重，减小领域间分布差异；然后，耦合特征转换层实现特征多样化，提升模型泛化性；最后，使用转子实验台轴承数据集和凯斯西储大学轴承数据集来验证模型性能。结果表明：动态对抗自适应网络对2个数据集的分类精度均达到85%以上，说明所提出方法能够实现非早期至早期滚动轴承故障的跨域迁移，为迁移学习理论在轴承以及其他零部件早期故障诊断中的应用提供了一定的理论和技术基础。