El diagnóstico de fallos en rodamientos con muestras de datos pequeñas siempre ha sido un punto focal de investigación en el campo del diagnóstico de fallos en rodamientos. Para resolver el problema, se propone en el artículo una fusión de características atencionales basada en un módulo de atención de bloque convolucional (CBAM) con un módulo de inception basado en una red de cápsulas (Capsnet). En primer lugar, la señal de vibración original se descompone en múltiples funciones de modo intrínseco (IMF) sub-señales mediante la descomposición empírica en modo en conjunto (EEMD), y luego la señal de vibración original y las correspondientes cuatro sub-señales IMF de orden anterior se introducen en los módulos de inception para extraer las características. En segundo lugar, estas características se concatenan y optimizan mediante el CBAM. Finalmente, las características sensibles seleccionadas se alimentan a Capsnet para diagnosticar los fallos. A través del análisis experimental multifacético sobre el diagnóstico de fallos en rodamientos con muestras de datos pequeñas, los resultados del diagnóstico demuestran que la fusión de características atencionales con inception basada en Capsnet no solo diagnostica el fallo de rodamientos con muestras de datos pequeñas, sino que también es superior a otros métodos de fusión de características, como la fusión de características con inception basada en Capsnet y la fusión de características atencionales con inception basada en CNN, etc., y otros modelos de diagnóstico único como Capsnet con CBAM e inception, y CNN con CBAM e inception.