智能故障诊断对于提高智能制造的可靠性具有重要意义。基于深度学习的故障诊断方法在工业领域已经取得了很大的成功，但是不同的模型提取的特征存在一定的差异。针对数据特征提取不全面等问题，提出一种基于深度学习的融合网络模型(CLOD)。首先通过傅里叶变换对故障信号进行时频分析，得到时频谱样本，然后将样本送入经过LSTM模型和改进的CNN模型融合后的卷积网络模型(CLOD)中训练学习，最后通过更新网络参数来提高模型性能，实现轴承故障精确智能诊断。与传统方法比较，CLOD在保证准确率的基础上，极大的增加了模型的拟合速度和稳定性。