一种基于深度卷积神经网络的滚动轴承故障诊断方法，首先获取样本数据，得到训练数据集和测试数据集，训练数据集输入滚动轴承故障诊断模型进行训练，故障诊断模型的第一宽卷积核层具有扩张卷积核，实现了更大的感受野，能有效提取特征信号并抑制高频噪声；相关通道注意力机制模块为每个特征通道分配不同的权重系数，通过将不同的权重系数乘以特征通道的响应值，实现对不同特征通道的加权融合；Nesterov动量方法自适应对整个卷积神经网络的参数进行优化，提升深度学习模型的分类性能。最终将测试数据集输入训练完成的故障诊断模型，输出得到甄别后的测试数据集的轴承状态类别，即完成滚动轴承故障诊断。