针对滚动轴承实际工况复杂多变、数据集较小时，传统故障诊断方法对轴承故障诊断的准确性较低的问题，提出了一种MTF－CNN滚动轴承故障诊断模型。首先，采用马尔科夫传递场（MTF）编码方法将原始一维振动信号转换为具有时间相关性的二维特征图像，然后将该特征图像作为卷积神经网络（CNN）的输入进行自动特征提取和故障诊断。最后，实现了不同故障类型的分类。为了验证所提方法的有效性和优越性，选取凯斯西储大学滚动轴承数据进行实验验证，并在负载变化和不同数据集大小下测试了所提方法的泛化性能。同时，与传统的智能算法进行了比较。结果表明，与其他常见的故障诊断方法相比，该模型在小数据集、变负荷的滚动轴承故障诊断中具有更好的泛化性能和识别效果。