针对高速列车复杂运行工况下轮对轴承故障特征微弱而难以提取、识别与诊断的问题，提出了一种多域特征融合和膨胀卷积SwinT模型 （dilation convolution SwinT， 简称DCST）网络用于高速列车轮对轴承故障诊断。首先，基于时域、频域及时频域特征融合思想，分别采用马尔可夫转移场（Markov transition field， 简称MTF）、双谱与连续小波变换（continuous wavelet transform， 简称CWT）将轴承一维信号转换为多域融合增强后的二维图像；其次，引入多层膨胀卷积运算，改进了SwinT模型的基本模块，提出了自注意力与多尺度膨胀卷积并行运算的DCST模块设计方法；最后，通过嵌入自适应空间特征融合（adaptively spatial feature fusion， 简称ASFF）模块完善了网络的层次化结构。试验结果表明：DCST网络既能兼顾全局与局部特征信息的提取，也能通过空间权重融合挖掘网络浅层与深层特征信息；所提模型能够实现轮对轴承不同故障类型及损伤程度的精准识别，故障诊断结果优于传统VGG16、ResNet101、ViT和SwinT等4种常用模型。