针对现有转子故障诊断方法缺乏多尺度特征提取能力以及强噪声导致故障分类准确率较低的问题，提出一种基于格拉姆角差场(Gramian Angular Difference Field，GADF)、Inception 模块与锐度感知最小化(Sharpness Awareness Minimization，SAM)的故障诊断方法。首先，对故障信号进行GADF变换，并使用多传感器信息融合策略将由不同传感器信号变换得到的图像进行水平拼接；接着，将拼接后的图像输入到Inception-SAM模型中进行分类识别，其中，Inception 模块能增强神经网络对于多尺度特征的提取能力，SAM能增强模型的泛化性能。实验结果表明，所提方法在转子故障诊断中的分类准确率能够达到99.64 %，而且相比其他图片编码方法和神经网络模型，该方法具有更高的故障分类准确率；同时，抗噪性能测试证明该方法在高噪声条件下仍具有较高的准确率。