针对涡旋压缩机振动信号不平稳和噪声情况下故障振动信号弱、需要人为提取故障特征以及准确率有待进一步提高的问题，提出基于多尺度注意力机制（convolutional block attention mechanism，简称CBAM）-卷积神经网络（convolutional neural network，简称CNN）涡旋压缩机故障诊断方法。首先，通过多个不同尺度的卷积核对振动信号转化为灰度图的故障特征进行全面提取，并引入注意力机制，通过调整权重值的方式提取重要的故障特征；其次，利用降维卷积模块、深度可分离卷积模块和残差模块提取更高维度的深层次故障特征，提升网络计算效率；最后，设置舍弃率为0.5的Dropout层防止过拟合，提升了网络的鲁棒性、抗干扰能力和泛化能力。实验结果证明，该方法在无噪声和添加不同信噪比噪声的情况下，均能有效地对涡旋压缩机故障进行分类，具有更高的识别准确性和更快的收敛能力。