针对传统故障诊断方法需要人工提取特征的不足，以及大数据下滚动轴承故障振动信号自适应特 征提取与智能诊断问题，本文利用空洞卷积神经网络(DCNN)可以在不增加计算量的基础上兼顾不同尺度的 空间特征的能力和门控循环单元(GRU)善于从动态变化的序列数据中学习到时间上的关联性的能力，提出 了一种DCNN、注意力机制和 GRU的多路径融合的端到端故障诊断方法。首先利用DCNN从原始数据中自 动提取时序信号特征；然后将注意力机制的GRU通路和DCNN通路进行融合；最后根据提取到的特征融合 之后送入分类层进行分类。实验结果表明，所提方法的诊断准确率平均为98.75%，高于比较方法，更加适 用于滚动轴承故障诊断。