基于模型和基于信号的滚动轴承故障诊断方法存在建模困难、信号分析较繁琐等问题；基于数据驱动的滚动轴承故障诊断方法多采用卷积神经网络，但网络训练时随着网络层数增多会出现梯度消失问题，且将滚动轴承振动信号直接作为网络输入会造成特征提取不全。针对上述问题，提出了一种基于格拉姆角场(GAF)与密集连接卷积网络(DenseNet)的滚动轴承故障诊断方法。将滚动轴承振动信号一维时间序列通过GAF转换为二维图像，保留了时间序列数据之间的相关信息；将二维图像作为DenseNet的输入，通过DenseNet对二维图像进行特征提取，提升了特征信息利用率，进而实现故障分类。采用凯斯西储大学轴承数据集上的数据进行实验，结果表明，该方法能有效识别滚动轴承故障类型，故障诊断准确率达99.75%。为进一步证明该方法的优越性，选取灰度图+DenseNet、GAF+残差网络(ResNet)、灰度图+ResNet故障诊断方法进行对比，结果表明：GAF+DenseNet方法准确率最高，灰度图+ResNet方法准确率最低；经过GAF转换的二维图像与灰度图相比，保留了原始时间序列数据之间的相关信息；与ResNet相比，DenseNet由于采取更加密集的连接方式，能够更充分地提取故障特征。