针对现有的轴承剩余寿命预测方法在处理多传感器数据时难以有效提取退化特征的问题，本文提出了一种基于全局注意力的多尺度时间卷积网络（GMTCN, global attention and multi-scale time convolutional network）模型的轴承剩余寿命预测方法。首先，采用GMTCN模型对轴承的多传感器信号进行处理，借助两种不同策略的时间卷积网络提取轴承在不同尺度下的退化特征；其次，利用全局注意力机制权衡来自不同传感器和时间步长的数据在轴承剩余寿命预测中的贡献，并将提取的多尺度特征进行融合；最后，对轴承进行剩余寿命预测。为对该方法进行性能评估，使用PHM2012轴承数据集和加速疲劳实验平台采集的退化数据得到的轴承数据集进行剩余寿命预测，得到的均方根误差（RMSE,root mean square error）和平均绝对误差（MAE,mean absolute error）均低于其他方法，评分函数（SCORE）的平均值在一定程度上有所提高，证明了方法的有效性。