Los campos de inteligencia artificial han estado utilizando el aprendizaje profundo en los últimos años. Debido a sus potentes capacidades de minería de datos, el aprendizaje profundo tiene un impacto de gran alcance en el diagnóstico de fallas en motores. En este documento se presenta un método para diagnosticar fallas en motores basado en la fusión de múltiples características de la red neuronal convolucional (CNN). En cuanto al método, se utiliza CNN como marco básico y se ha mejorado el modelo de CNN. Primero, las señales de vibración y corriente recopiladas se preprocesan. En segundo lugar, se realiza una entrada sincrónica de múltiples ventanas de tiempo segmentadas en los datos procesados. Además, se puede realizar un proceso de extracción de características a múltiples escalas y una fusión de series temporales de vibración y corriente sujetas a una entrada sincrónica en la misma ventana de tiempo, lo que finalmente permite la identificación de fallas en motores con un alto grado de precisión. Para verificar la validez del modelo propuesto de diagnóstico de fallas, se construyó una plataforma experimental para simulación de fallas en el motor, y las señales de vibración y corriente de diferentes estados del motor fueron recopiladas y verificadas mediante experimentación. Según los resultados del experimento, el método puede combinar efectivamente las características de falla de la vibración y la corriente del motor, y así se puede mejorar el diagnóstico de fallas en motores. En comparación con una entrada de señal única, una entrada de múltiples señales proporciona una mayor precisión y estabilidad. En comparación con otros métodos de fusión de características de múltiples señales, un modelo de aprendizaje profundo como este es capaz de extraer características de falla de manera más completa, lo que ayuda a mejorar la precisión del diagnóstico de fallas en motores.