针对滚动轴承故障在强噪声环境下难以进行精准诊断的问题，提出一种基于池化融合的深度残差收缩网络用于滚动轴承故障诊断.首先，通过引入残差连接避免由于网络过深而带来的梯度消失或爆炸的风险；然后，采用多尺度池化特征融合提取振动信号更丰富的局部特征并通过注意力机制自动推导软阈值函数的最优阈值进行自适应去噪；最后，通过带标签的滚动轴承故障数据对所提网络进行训练，以实现滚动轴承在强噪声环境下的精准故障诊断.实验结果表明，在不同信噪比（signal-to-noise ratio,SNR）的噪声条件下，基于池化融合的深度残差收缩网络与传统的模型相比能实现更高的故障诊断精度.