Los rodamientos son componentes esenciales de maquinaria rotativa utilizada en sistemas mecánicos, y el diagnóstico de fallos de rodamientos es de gran importancia para la operación y el mantenimiento del equipo mecánico. El aprendizaje profundo es un método popular para el diagnóstico de fallos en rodamientos, que puede extraer de manera efectiva la información profunda de las señales de fallo, logrando así una alta precisión en el diagnóstico de fallos. Sin embargo, debido a la compleja estructura profunda del aprendizaje profundo, la mayoría de los métodos de aprendizaje profundo requieren más tiempo y recursos para el diagnóstico de fallos en rodamientos. Este artículo propone un método de diagnóstico de fallos en rodamientos que combina la ingeniería de características y el aprendizaje amplio difuso. Primero, se extraen características del dominio del tiempo, del dominio de la frecuencia y del dominio tiempo-frecuencia de las señales de los rodamientos. Luego, se evalúan los índices de estabilidad y robustez de estas características para completar la ingeniería de características. Las características obtenidas mediante la ingeniería de características se utilizan como entrada del modelo de diagnóstico de fallos, y tres conjuntos de datos experimentales validan el modelo. Los resultados experimentales muestran que el método propuesto puede lograr una precisión de diagnóstico de fallos en rodamientos del 96.43% en los datos del banco de pruebas experimental, 100% en el conjunto de datos de la Universidad Case Western Reserve y 100% en el conjunto de datos de fallos en rodamientos de bombas centrífugas, con un tiempo de aproximadamente 0.28 s. Los resultados muestran que este método tiene las ventajas de precisión, rapidez y estabilidad en el diagnóstico de fallos en rodamientos.