因为数据形态的制约，故障数据经快速傅立叶变换后直接使用深度学习模型，往往不能获得足够的数据特征，使得很难进一步提高变工况下故障诊断的准确性和泛化程度。为此，提出一种融合二维频域与改进残差网络的轻量级故障诊断模型。在获取和学习更多特征之前，截取FFT方法转换所得对称频谱的前半段，并在二维面上以行优先方式展开，得到以矩阵表示的频域数据特征信息；然后以ReLU6作为残差网络的激活函数来学习矩阵特征；最后把终态特征信息映射为独热码向量。在凯斯西储大学的数据集上测试表明，该模型与一维诊断模型相比，诊断准确率提高了7.07个百分点；与标准残差网络相比，准确率的波动降低了0.14个百分点，提升了故障预测的准确率和稳定性。