针对压缩机故障信号微弱、提取特征信息较少、无法挖掘细微特征等问题，提出一种基于广义S变换（generalized S transform， 简称GST）和多尺度空间变换注意力网络（multi-scale spatial transformer attention network，简称MSSTAN）的故障诊断方法。首先，使用GST对原始信号进行预处理，将故障信号转化为二维时频图；其次，通过设置膨胀率为1、2、5的3层空洞卷积模块提取更全面的深层次故障特征信息，并利用MSSTAN对提取的特征进行自适应学习，聚焦重要特征信息；最后，通过全连接层输出故障识别分类结果。针对某往复式压缩机的故障诊断实验结果表明，基于GST-MSSTAN的故障诊断模型能够有效地提取微弱特征，在训练集上的识别准确率达到98.14%，测试集上的准确率达到95.51%，在不同噪声环境下的测试集数据验证了该模型的鲁棒性。