利用数据生成方法生成时域特征和频域特征与轴承故障真实信号一致的高质量数据，构建平衡数据集，对数据不平衡情况下建立高效的轴承故障诊断模型具有重要意义。针对现有数据生成方法仅关注时域或频域单一特征的局限，提出了类小波辅助分类生成对抗网络。基于小波变换原理，使用多层神经网络构建类小波变换(WLT)网络，模拟小波变换及逆变换，建立时域与频域信号的映射关系；将WLT网络嵌入辅助分类生成对抗网络(ACGAN)模型中，作为模型生成器的主体；构建两个不同功能的判别器，使得改进的ACGAN在一次训练中能同时学到真实轴承振动信号的时域和频域特征信息。试验结果表明，WLT-ACGAN模型生成的轴承振动信号具有与真实轴承振动信号一致的时域特征和频域特征，数据不平衡时，利用生成信号扩增的平衡数据集构建的故障诊断模型具有较高的准确率。