本发明公开了一种基于强化学习的旋转机械故障诊断网络自动搜索方法，基于给定的诊断任务控制器根据子模型当前状态对子模型进行设计，接着利用诊断数据训练验证子模型，其验证精度又参与到对控制器的训练。方法执行过程中，子模型和控制器交替训练，最终控制器能针对具体诊断任务搜索出高诊断性能的子模型。在子模型训练过程中，方法设置了权值共享，有着相同权值数量的网络层在不同子模型中可重用，降低训练时间提高了搜索效率；在控制器训练过程中，应用了贪心策略，给予空间让控制器自由探索降低陷入局部最优的概率，应用了经验重放，让控制器交替工作训练避免学习过程中参数的振荡和发散，还应用了迭代更新，使用副控制器来预测下一状态的奖励，降低了回报期望与未来收益的相关性，提高控制器的训练稳定性。以上特点使得本发明方法在针对不同的诊断任务时能够高效地搜索出具有高诊断性能的网络模型，有效解决旋转机械状态诊断问题。