针对变工况条件下现有深度学习网络模型对滚动轴承故障分类效果不佳的问题,以滚动轴承实验台数据为研究对象,提出迁移学习和注意力机制相结合的滚动轴承故障诊断方法。结合域对抗神经网络(DANN)与宽卷积核卷积神经网络(WDCNN)得到新的网络诊断模型(WDAANN),并通过对目标域的带标签数据进行训练以优化网络参数;结合注意力机制方法使所提网络获得更好的分类能力,从而实现变工况下的滚动轴承故障诊断。最终将该方法与传统CNN、DANN、WDAANN等模型进行对比验证。结果表明所提方法的准确率提高,且模型的跨域诊断能力提高;所提网络的性能相比WDCNN、CNN及WDAANN网络明显提升,验证了所设计模型的优越性。