Como componente fundamental de los sistemas de transmisión mecánica, el estado de daño de los engranajes impacta significativamente en la seguridad y eficiencia de un sistema mecánico en general. Sin embargo, los métodos existentes de diagnóstico de fallas a menudo tienen dificultades para extraer características de manera efectiva en escenarios de aplicación complejos caracterizados por condiciones como alta temperatura, alta humedad y vibraciones de alto nivel. En consecuencia, muestran una baja adaptabilidad y capacidades limitadas contra el ruido. Para abordar estas limitaciones y mejorar la adaptabilidad y precisión del diagnóstico de fallas en engranajes (GFD), se propone un nuevo método de red residual de atención ligera de compresión sensorial multi-escala (CS-LAMRNet). Inicialmente, se utilizó la tecnología de compresión sensorial para eliminar ruido e información redundante de la señal de vibración, y la señal de vibración de engranajes 1D reconstruida se convirtió en una imagen 2D. Posteriormente, se diseñó un módulo de extracción de características multi-escala (MSFE) basado en el aprendizaje multi-escala, con el objetivo de mejorar la capacidad de extracción de características de la señal en entornos ruidosos. Finalmente, se estableció un módulo de atención residual de profundidad mejorado (IDRA) y se conectó al módulo MSFE, mejorando aún más la exactitud y la capacidad de generalización del método de diagnóstico. El rendimiento del CS-LAMRNet propuesto se evaluó utilizando el conjunto de datos NEU y el conjunto de datos SEU, y se comparó con otros siete métodos de diagnóstico de fallas. Los resultados experimentales demuestran que las precisiones del CS-LAMRNet alcanzaron el 99.80% y el 100%, respectivamente, demostrando así que el método propuesto tiene una mayor capacidad de identificación de fallas para engranajes en entornos ruidosos.