针对CNN-LSTM 网络处理小样本含噪数据时诊断误差较大的问题，提出一维卷积神经网络（One Dimensional-Convolutional Neural Network，1D-CNN）和长短时记忆网络（Long Short-Term Memory，LSTM）相融合的时序记忆增强故障诊断模型（CNN-LSTM- time Sequential Memory Enhancement，CNN-LSTM-TSME）。该模型首先通过CNN自适应提取时序数据的故障特征，其次通过对LSTM的输入数据进行递推平均滤波，增强对时序含噪数据的处理能力，再次通过耦合LSTM单元的遗忘门和输入门，将两者分别与记忆单元相连，提高时序数据的记忆能力，从而更加适合于小样本数据的学习，最后利用全连接层后的Softmax 函数实现多轴承故障状态的识别。基于凯斯西储大学滚动轴承数据集的实验表明，该模型对于标准数据和加噪数据的平均准确率均在95 %以上，明显优于CNN-LSTM和其他现有模型，具有较高的诊断精度和泛化性能。