针对齿轮及轴承故障检测方法依赖人工特征提取、复杂工况下适应性差以及跨信号类型与跨工况迁移能力弱等问题，提出基于迁移学习的振动-声学故障诊断方法。首先，采集齿轮与轴承振动数据集及声学信号数据集，进行归一化与分段切片等预处理形成统一长度样本；其次，利用格拉姆差角场（Gramian angular difference field， 简称 GADF）将一维振动时序信号映射为二维时频图像，突出时序相关性与局部幅值变化，使其适配卷积特征提取，在此基础上构建卷积神经网络（convolutional neural network， 简称 CNN）源域模型，实现端到端学习与分类，获得可迁移的深层特征表示，并将源域权重作为目标域训练初始化，在多工况条件下源域诊断准确率大于98.5%；最后，面向声学信号分布差异与样本稀缺场景，设计振动（源域）到声学（目标域）的跨信号类型迁移策略，采用浅层卷积层参数冻结以保留通用表征能力，并对深层判别层进行微调以重构决策边界，建立跨工况声学诊断模型。实验结果表明：目标域平均准确率达90.4%，较从新训练CNN提升5.3%，训练时间缩短35.5%；t-分布邻域嵌入（t-distributed stochastic neighbor embedding，简称t-SNE）对网络特征降维结果显示迁移后类间间隔增大、类内聚合增强，验证特征可分性提升；所提方法实现异构监测数据特征共享与知识复用，可在监测与传感器布置受限条件下降低对振动单一测点/传感器的依赖，支持振动与声学协同监测，为多工况、多信号类型旋转机械故障诊断提供工程化支撑，并提升声学诊断模型构建效率。