Detectar fallos en los rodamientos es muy importante para prevenir paradas no programadas, fallos catastróficos y pérdidas de producción. Los fallos localizados en los rodamientos normalmente se detectan en función de las frecuencias características asociadas con los fallos en los espectros de tiempo y frecuencia. Sin embargo, la ausencia de tales armónicos de frecuencia característica en un espectro no garantiza que un rodamiento esté sano, o el ruido podría producir armónicos en frecuencias características en el caso de que esté sano. Además, algunos defectos en los rodamientos de rodillos podrían no producir frecuencias características. Para evitar la mala clasificación, los defectos en los rodamientos se pueden detectar a través de algoritmos de aprendizaje automático, a saber, redes neuronales convolucionales (CNN), máquinas de soporte vectorial (SVM) y SVM basado en autoencoders dispersos (SAE-SVM). Dentro de este marco, se proponen tres clasificadores de fallos basados en CNN, SVM y SAE-SVM utilizando aprendizaje por transferencia. La transferencia de conocimiento se logra extrayendo características de una CNN preentrenada en datos de la base de datos imageNet para clasificar fallos en rodamientos de rodillos. La efectividad del método propuesto se investiga en función de conjuntos de datos de señales de vibración y emisión acústica de rodamientos de rodillos con daño artificial. Finalmente, se evalúan la precisión y robustez de los clasificadores de fallos en diferentes cantidades de ruido y datos de entrenamiento.