针对复杂的轴承运行工况以及传统深度学习故障诊断方法泛化能力弱、模型识别准确率不高等问题,提出了一种基于GRM-IConvNeXt模型的滚动轴承故障诊断方法.首先,提出了一种全局关系矩阵(global relationship matrix, GRM)的编码方法,利用其保留原始信号特征的优点将一维振动信号转换为二维图像.然后,构造了一个针对轴承故障诊断小样本分类的改进ConvNeXt(improved ConvNeXt, IConvNeXt)模型,并选用大小为5×5的卷积核和多个BN层与Hardswish激活函数以强化特征提取性能,同时通过CBAM机制根据GRM图像特征自适应地生成权重.实验结果表明,GRM-IConvNeXt模型在变工况和小样本的情况下都具有良好的特征提取能力和泛化性.