针对故障诊断中小样本条件下的数据标注缺失及跨域应用中的域偏移问题,提出了一种融合对比学习的域适应策略。通过层级化特征对齐机制,联合优化域级对抗适应与类级对比学习,兼顾域不变特征迁移与类判别性保持,提高目标域故障分类精度。构建一维域共享卷积神经网络提取源域和目标域数据的共性特征,结合无监督域判别损失与梯度反转层优化域级适配,增强域不变特性的可迁移性。设计无监督对比损失函数优化类特定信息,在特征空间内约束类内紧凑性与类间可分性,实现有限样本下类级对齐,有效抑制类边界误识别。在搭建的行星齿轮箱试验台数据集和公开轴承数据集上的跨工况无监督实验结果表明,在多个跨工况迁移任务中,诊断准确率普遍超过95%。所提方法相较于几种无监督域适应方法取得了明显的性能改进,验证了该方法在小样本无监督跨工况故障诊断中的有效性与优越性。