El desarrollo de sistemas de diagnóstico para máquinas rotativas como los motores de inducción (IM) es una tarea de suma importancia para el sector industrial. Los sistemas de diagnóstico fiables permiten la detección precisa de diferentes fallos. Han surgido diferentes métodos basados en la adquisición de imágenes térmicas (TIs) como sistemas de diagnóstico para la detección de fallos en IM con el fin de prevenir la generación de fallos adicionales. Sin embargo, estos métodos se basan en la selección de características artesanal, por lo que obtener altas tasas de precisión suele ser un desafío. Por esta razón, en este trabajo se presenta un nuevo sistema para la detección de fallos en IM basado en redes neuronales convolucionales (CNN) e imágenes térmicas (TIs). El sistema se basa en el entrenamiento de una CNN utilizando TIs para seleccionar y extraer las características más salientes de cada fallo presente en el IM. Posteriormente, se entrena un clasificador basado en un algoritmo de árbol de decisión (DT) utilizando las características aprendidas por la CNN para inferir las condiciones del motor. Los resultados de esta metodología muestran una mejora en las métricas de precisión, exactitud, recuperación y puntuación F1 para 11 condiciones diferentes.