针对传统时域、频域统计指标构建的特征矩阵在处理复杂非线性数据时的局限性，提出一种基于数据层特征融合和卷积神经网络（convolutional neural network，简称CNN）相结合的轴承故障诊断方法。首先，将采集到的信号进行变分模态分解（variational mode decomposition，简称VMD），选择峭度值大于阈值的分量进行重构；其次，从时域、频域、能量和稳定性等方面计算构建重构信号的多维度复合特征矩阵，将数据特征进行融合；然后，对特征矩阵进行核主成分分析（kernel principal component analysis，简称KPCA）降维处理，去除冗余信息；最后，将得到的低维矩阵输入到批量归一化（batch normalization，简称BN）层优化的CNN模型中进行故障识别与分类，并通过辛辛那提大学智能维护系统（intelligent maintenance systems，简称IMS）、旋转机械振动分析与故障诊断实验平台（QPZZ-Ⅱ型）2组实验数据进行数据验证。结果表明：所提方法对轴承故障分类具有较好的处理效果和稳定性。