本发明公开了一种滚动轴承故障智能诊断方法，属于机械故障诊断技术领域，有效解决了实际工况中滚动轴承受负载复杂多变、数据集较小的影响，使得轴承故障诊断难以获得较高识别准确率的问题，本发明首先通过马尔科夫转移场(MTF)将原始信号转化为包含故障特征的二维图像，然后将特征图像作为卷积神经网络(CNN)的输入进行特征提取，最后实现对不同滚动轴承故障类型的识别分类，本发明创建的MTF‑CNN模型充分结合了MTF编码方式可以保留信号时间相关性和CNN强大的自动特征提取功能的优点，在负载改变时仍然保持了较高的诊断精度，具有更好的泛化性能，同时该模型在数据集规模减小时依然具有较高的识别准确率，提高了滚动轴承故障识别效果的准确性和稳定性。