本发明公开了一种基于多粒度正则化重平衡增量学习的故障诊断方法及装置，方法包括：构建带有多粒度信息的连续标签，并利用KL散度损失进行优化；通过特征提取层获取新旧类别的特征表示向量，通过知识蒸馏约束当前模型的决策输出与增量学习前模型的输出分布相同，基于多粒度正则化项，对于样本数目多的新类别施加相对低的权重，平衡新故障类别与旧故障类别梯度更新的差距，减轻类别不均衡性；采取两阶段训练策略，使用当前能够获取到的数据进行第一阶段训练，更新特征提取层，在第二阶段训练时与特征提取层解耦，即冻结特征提取层的参数，采用重采样的平衡训练子集重新训练分类器。装置包括：处理器和存储器。本发明提高故障诊断模型的持续学习能力，进而提高了对器件的故障识别能力。