El sistema de motor a reacción es complejo y el entorno de trabajo es duro. Como componente fundamental del sistema de control del motor a reacción, el sensor debe monitorear su estado de salud. Los algoritmos tradicionales de detección de fallos de sensores a menudo tienen muchos parámetros, una arquitectura compleja y baja precisión de detección. Con el objetivo de resolver este problema, se propone una red neuronal convolucional (CNN) cuyo componente básico es un bloque de inception compuesto por núcleos de convolución de diferentes tamaños en paralelo. La red extrae completamente la información analítica redundante entre los sensores a través de núcleos de convolución de diferentes tamaños y la utiliza para la detección de fallos en sensores de motores a reacción. En el conjunto de datos de fallos de sensores generado por el método de simulación de Monte Carlo, la precisión de detección de Inception-CNN es del 95.41%, lo que mejora la precisión de predicción en un 17.27% y un 12.69% en comparación con el algoritmo no neuronal de mejor rendimiento y las redes neuronales BP simples probadas en el artículo, respectivamente. Además, el método simplifica la unidad de detección de fallos tradicional compuesta por múltiples algoritmos de fusión en un solo algoritmo de detección, lo que reduce la complejidad del algoritmo. Finalmente, se verifica la efectividad y viabilidad del método en dos aspectos: el efecto típico de detección de fallos de sensores y el proceso de detección e aislamiento de fallos.