针对现有轴承故障诊断方法难以兼顾振动特征的低阶局部拓扑关系与高阶跨频带关联，且多层特征融合过程中易引入冗余信息的问题，提出基于双向交叉注意力的渐进式混合图–超图卷积网络（progressive hybrid graph-hypergraph convolutional network，简称PHGHCN）方法。首先，利用多尺度K近邻构建渐进式图和超图，设计双分支网络分别提取特征；其次，通过双向交叉注意力机制实现特征对齐交互与自适应融合；最后，在凯斯西储大学（Case Western Reserve University，简称CWRU）数据集及JL-501数据集上进行了验证。结果表明：PHGHCN准确率分别达100%和98.29%；相较于图卷积网络（graph convolutional network，简称GCN）等模型，所提方法通过协同建模低阶拓扑依赖与高阶群体关联，增强了特征互补性，提升了故障模式的可分性，在准确率与稳定性上具有整体优势。