针对滚动轴承故障诊断中传统卷积神经网络（convolutional neural networks，简称CNN）提取特征的感受野受限于卷积核大小的问题，提出了一种结合离散傅里叶变换（discrete Fourier transform，简称DFT）和高效通道注意力（efficient channel attention，简称ECA）的卷积神经网络模型（convolutional neural network combining discrete Fourier transform and efficient channel attention，简称DFT-ECANet）。首先，将原始振动信号通过DFT变换到频域，在频域上经卷积和离散傅里叶逆变换（inverse discrete Fourier transform， 简称IDFT）转换到时域，使信号在时域上具有全局的感受野；其次，将该信号与经过卷积的数据在通道维度上进行拼接，通过ECA为各通道数据分配权重，并关注诊断性能高的特征；最后，通过多个卷积-池化层进一步提取模型深层特征，结合池化层和全连接层诊断轴承故障。实验结果表明：DFT-ECANet在原始振动数据集上具有较高的诊断精度和较好的泛化性能，通过T分布随机近邻嵌入（T-distributed stochastic neighbor embedding，简称T-SNE）可降维可视化模型的诊断过程；在强噪声干扰下仍能保持较高的精度，具备较强的鲁棒性和抗噪性能。