Este artículo se centra en las fallas de conexión a tierra en filtros de corriente continua (CC) para proponer un novedoso modelo de diagnóstico de fallas basado en una red neuronal convolucional residual normalizada dilatada (DRNCNN) para sistemas de transmisión de corriente continua de alta tensión (HVDC). Para abordar la insuficiencia del campo receptivo del modelo tradicional al tratar con datos de alta dimensión y no lineales, este artículo incorpora convolución dilatada y normalización por lotes (BN), mejorando significativamente la capacidad de la CNN para capturar características espaciales complejas. Además, este artículo integra conexiones residuales y unidades lineales rectificadas por parámetros (PReLU) para optimizar la propagación del gradiente y mitigar el problema de la desaparición del gradiente durante el entrenamiento. Estas innovadoras mejoras, encarnadas en el modelo DRNCNN, aumentan sustancialmente la precisión de la detección de fallas, logrando una tasa de precisión diagnóstica del 99.28%.