近年来,由于深度学习的不断发展,基于数据驱动的轴承故障诊断被广泛研究,卷积神经网络(CNN)等深度神经网络模型逐渐被应用到故障诊断中.针对传统方法人工提取故障特征困难,深层CNN网络模型训练效率低,过拟合严重的问题,提出了一种基于一维密集连接卷积网络的轴承故障诊断模型.轴承的一维振动数据作为输入,利用卷积网络自动提取故障特征信息,采用密集连接机制实现高层次特征与低层次特征相结合,从而更有效地提取故障特征信息.通过批归一化等方法避免过拟合现象,最后利用SoftMax层对故障进行分类,从而实现智能故障诊断.对凯斯西储大学轴承数据集及高铁轮对轴承数据集上的不同故障类型的实测数据进行实验,实验结果表明,该方法在数据集上的准确率均能达到98％以上,能有效识别故障类型,具有一定的工程应用价值.