为解决不同工况影响轴承剩余使用寿命预测准确性的问题，提出了一种加入域适应（domain adaptation，简称DA）迁移学习模块，并结合自注意力机制（self-attention，简称SA）与长短期记忆（long short-term memory，简称LSTM）的网络模型，用于不同工况下轴承剩余使用寿命的预测。首先，对采集得到的轴承振动信号进行特征计算，并对特征进行趋势性与可迁移性筛选，得到适合用于迁移学习的特征；其次，采用奇异谱分解（singular spectrum analysis，简称SSA）重构信号，并计算重构信号的模糊熵（fuzzy entropy，简称FuzzyEn），以实现轴承退化起始时间的判断并获取相应健康度标签；最后，采用PHM2012会议公开数据集与课题组实际工程数据进行验证。结果表明，所提出方法的预测准确性高于对比文献中的方法，验证了所提出方法的有效性。