近年来,随着工业设备对高质量和低维护成本需求的增加,智能监控的故障诊断逐渐成为一个重要问题。得力于无线传感器网络、并行计算和数据科学的发展,深度学习已经广泛应用于旋转机械的故障诊断。基于这样的背景下,越来越多的研究者希望通过机器学习算法解决此类问题,近些年,部分研究学者针对于滚动轴承的故障诊断提出了一系列较为有效的算法,这些算法极大的提升了故障诊断的效率和精度。然而,在滚动轴承故障诊断的相关算法领域,现阶段模型提取的特征来源、角度都较为单一,模型在构建过程中抽取的特征信息也相对比较简单,这就导致了模型的预测结果往往存在一定的偏差。为了能够综合利用不同角度、不同来源下提取的特征,最常见的做法是特征拼接和特征求和。但是特征拼接会使得最终表示向量维度随着拼接的特征数量增多而成倍的变大,当需要拼接的特征数量过多时,拼接后的向量不但有很多冗余信息,也很容易超出计算资源的存储限制。特征求和虽然能够使得最终表示向量的维度维持在一个常量值,但是简单的求和方式会默认不同特征具有相同的重要程度,显然这种方式也不是最优的。本论文提出一种基于得分区域的注意力（Score-area-based-attention,SABA）特征融合方法。基于SABA,模型首先会初始化多个得分向量,这些得分向量会构建出一个得分区域,然后,处在得分区域中的特征向量会和每个得分向量计算相似度得分,其求和后的总分越高,就会获得越大的权重值,这样,处在得分区域不同位置的特征向量就获得了不同的权重值,通过优化得分向量所构成的得分区域,就能够找到不同特征向量融合的最优配比。本工作首先利用三种模型从三种不同的视角下进行特征提取,并对传感器来源信息进行了编码表示,在使用SABA算法的基础上,利用多区块的模型结构对这些特征进行加权融合。本文的相关实验结果表明,SABA算法不但优于使用单个特征的模型分类效果,也要优于使用传统特征融合方式的模型。同时,本工作的相关对比实验也论证了传感器特征编码及多区块模型结构的有效性。