轴承故障诊断对保障机械设备正常运转具有重要价值，基于机器学习的轴承故障诊断是其中一类常用方法，主要包括Alexnet、Resnet-18、关系网络、基于通道注意力SENet的关系网络（SERN）以及基于混合注意力CBAM的关系网络（CBRN）等.在实际应用中，小样本、变工况等可能导致这些方法出现泛化性能差、精度降低及过拟合等问题.本文提出了一种基于坐标注意力关系网络的小样本轴承故障诊断方法 .在该方法中，坐标注意力关系网络通过坐标信息的嵌入和坐标注意力的生成来解决关系网络模型无法建立特征图的长距离依赖关系及故障的特征位置信息难以获得的问题，增强模型在目标区域对故障特征的表达，进而重构出更具判别性的故障样本特征.该方法还采用特征嵌入模块来生成样本的特征向量，并通过对已标记样本和未标记样本的特征向量的拼接来生成特征向量组.最后，该方法利用关系得分模块对特征向量组进行非线性距离度量和生成关系得分，判断未标记样本的类别、实现故障分类.模拟实验表明，相比已有方法，该方法具有更好的分类能力.