针对实际工程中滚动轴承带标签故障样本获取困难，以及不同工况下滚动轴承样本特征分布差异大的问题，提出一种改进多头图注意力网络（muti-head graph attention network，简称MHGAT）的小样本滚动轴承故障诊断方法。首先，利用快速傅里叶变换构建轴承频域样本集，根据元学习训练策略将样本集按多个任务划分，每个任务内的样本集细分为支持集和查询集；其次，引入高斯原型模块和斯皮尔曼算法改进多头图注意力网络，完成支持集、原型集和查询集样本间的连接，实现轴承频域样本有向图的构造；然后，将有向图输入多头图注意力网络的图注意力层，以提取轴承状态特征；最后，在任务内外循环过程中分别引入仿射变换和任务辅助损失，完成循环多次交替迭代，得到滚动轴承故障诊断模型。实验结果表明，所提方法在16组不同规格小样本实验任务和3个数据集小样本实验任务下，平均诊断准确率分别为98.75%和95.77%，性能均优于对比方法。