针对滚动轴承故障诊断中存在的故障数据不平衡且诊断效率低的问题，提出一种将改进的生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty，WGAN-GP)和轻量化卷积神经网络相结合的滚动轴承故障诊断方法。首先，利用连续小波变换(Continuous Wavelet Transform，CWT)生成二维时频图，并通过WGAN-GP进行数据增强；其次在视觉几何群网络(Visual Geometry Group Network-16，VGG16)的基础上，引入Ghost 模块和全局平均池化(Global Average Pooling，GAP)对其进行轻量化改进；再次，利用卷积注意力模块(Convolutional Block AttentionModule，CBAM)和带重启的余弦退火衰减法提高VGG16 模型的性能，构建CBAM-VGG16 轻量化卷积神经网络模型，将增强后的数据进行预处理后输入到模型中进行训练，建立故障诊断模型；最后采用西储大学轴承数据集进行模型验证和分析。实验结果表明：该方法证实了故障数据不足时进行故障诊断的可行性，缩短了模型的训练时间、诊断时间并缩减了模型的大小和参数量，提高了故障诊断的效率和准确率。