针对当前故障诊断中将某个离散故障程度单独作为一个类别，导致模型无法适应复杂的实际故障程度动态变化场景，致使诊断精度下降的问题，提出了一种基于概率切片累积投影特征（probabilistic slicing cumulative projection features， 简称PSCP）的轴承故障程度不敏感定性诊断方法，重点研究轴承故障程度变化时不同故障部位的识别问题。首先，利用概率盒（probability box，简称P-box）强大的原始信号包容性，将同一故障部位不同故障程度的数据划分成同一类故障状态，并提取6组概率切片累积特征；其次，使用冗余属性投影（nuisance attribute projection， 简称NAP）算法对不同故障程度下的特征矩阵进行投影，消除故障程度冗余信息后生成PSCP矩阵；然后，通过构建的简易3层卷积神经网络（convolutional neural network， 简称CNN）实现轴承故障诊断；最后，利用试验数据构造单一或缺失故障程度数据集模拟现实情况进行分析。结果表明，当训练和测试数据属于不同的故障程度时，所提出方法仍具有较高的准确性和泛化性，能够对实际的轴承故障进行定性诊断，满足工程应用需求。