针对电机转子振动数据中存在的小样本情况或不同类别样本存在样本量不平衡而导致故障诊断准确率低等问题，提出一种融合纵向空间特征提取模块、横向时序特征提取模块和注意力机制的新型故障诊断模型。首先，以卷积神经网络为基础构建多尺度纵向空间特征提取模块，实现对单一时刻下转子振动数据的快速特征提取。然后，基于长短期记忆网络建立横向时序特征提取模块，实现多个时刻下振动信号时序特征与故障类别之间的映射，进而基于注意力机制聚焦小样本数据的关键特征，同时采用Focal Loss损失函数自适应调整不平衡样本间的训练权重，提升转子振动故障诊断的准确率。仿真结果表明，在训练环境为小样本和在信噪比3.76 d B的噪声环境下，诊断准确率均达到97%以上；在不同类别样本存在不平衡情况下，诊断准确率达到96%以上，验证了在小样本、噪声环境和不平衡样本下均具有良好的故障诊断性能。