变工况下轴承故障数据分布差异大，故障诊断模型实际识别精度较低，且目前大多数轴承跨域故障诊断研究侧重于域间对齐和类内对比而忽略了子域间的影响，为此，提出了一种基于联合子域对比对齐的轴承跨域故障诊断方法。为突出故障特征，对轴承振动信号进行短时傅里叶变换将其转化为时频图，输入特征提取模块，得到故障特征，并通过领域自适应方法将从源域学到的知识迁移到目标域，实现跨域识别。在域适应过程中采用联合子域对比对齐策略，将来自相同子域样本拉近的同时分开不同子域样本，对齐源域与目标域中同类别样本所属子域分布，从而提高模型在目标域上的泛化能力。在模型架构上使用Resnet34作为特征提取网络，在网络输出端使用最大均值差异，对齐源域与目标域的全局分布。基于凯斯西储大学轴承故障数据集进行实验验证，与经典域适应方法进行对比，实验结果表明基于联合子域对比对齐的轴承跨域故障诊断方法具有更好的特征迁移能力。