针对一维信号所含信息不全面和DenseNet网络在变工况下存在过拟合等问题，提出了基于连续小波变换（CWT）时频图像和改进密集连接卷积网络（Improved DenseNet, IDenseNet）的滚动轴承故障诊断方法。首先将一维振动信号通过CWT转为二维时频图像。然后对DenseNet网络进行改进，将DenseNet第一个卷积块中的ReLU激活函数替换为Swish激活函数，Swish激活函数更平滑，同时在网络中引入基于风格的卷积神经网络重校准模块（SRM）和空间与通道注意力机制模块（CBAM），SRM关注特征通道权重，CBAM则从通道和空间两个维度增强特征表达能力，进而得到IDenseNet。最后将二维时频图像输入到IDenseNet模型中进行特征提取和故障诊断，通过模型的Softmax层输出故障诊断结果。实验结果表明，所提方法在恒定工况及变工况下的平均故障识别准确率均达到了97.80%以上，且在迁移学习模型中，平均故障识别准确率达到了99.44%。CWT-IDenseNet方法可以有效提高模型的泛化能力，在恒定工况及变工况下具有显著优势，对提高滚动轴承故障诊断的准确率和可靠性具有重要意义。