针对传统旋转机械故障诊断方法难以应对强噪声干扰以及诊断准确率较低的问题，提出一种Laplace 小波核卷积层(Laplace Wavelet Kernel Convolutional Layer，LWKConv)、深度残差收缩网络(Deep Residual Shrinkage Networks，DRSN)和特征金字塔网络(Feature Pyramid Networks，FPN)相结合的故障诊断方法。具体地，在DRSN模型结构基础上，构造LWKConv，通过更新尺度因子和平移因子，多尺度提取故障引起的突变冲击特征；引入FPN融合深层和浅层特征，提高模型对浅层细节信息的利用程度，实现对旋转机械的故障诊断。研究表明：所提的LWKConv-DRSN-FPN方法基于轴承和齿轮数据集的诊断准确率最高能达到100 %，尤其在-4 dB强噪声干扰条件下的诊断准确率达到97.75 %，能有效提取突变冲击特征，具有较好的通用性和抗强噪声干扰能力。