针对难以从涡旋压缩机非线性、非平稳的振动信号中提取丰富故障特征信息的问题，基于短时傅里叶变换（short-time Fourier transform，简称STFT）、同步压缩小波变换（synchrosqueezed wavelet transforms，简称SWT）、深度卷积神经网络及支持向量机分类理论，提出了一种STFT-SWT双通道卷积神经网络（convolutional neural networks，简称CNN）与支持向量机（support vector machine，简称SVM）相结合的涡旋压缩机故障诊断方法。首先，对采集到的涡旋压缩机振动信号分别进行STFT和SWT时频分析，生成短时傅里叶变换特征图和同步压缩小波变换图；其次，构建双通道卷积神经网络模型，将STFT时频图和SWT时频图分别输入两条独立卷积通道提取故障特征；然后，在特征融合层对两条通道提取的互补特征进行融合；最后，将融合后的高维特征输入支持向量机分类器进行状态识别，利用SVM优异的小样本分类能力实现故障类型的精准判别。在涡旋压缩机故障数据集上设计5组对比实验，将所提模型分别与单通道、双通道卷积神经网络模型以及其他经典故障诊断模型进行比较分析。结果表明，所提出模型能够有效挖掘振动信号中的深层故障特征，实现不同故障状态的准确识别，其诊断性能优于其他对比模型，平均准确率达到96.96%。