Los rodamientos son un componente importante en equipos mecánicos, y su detección de salud y diagnóstico de fallas son de gran importancia. Con el fin de cumplir con los requisitos de velocidad y precisión de reconocimiento en el diagnóstico de fallas en rodamientos, este artículo utiliza la red ligera MobileNetV2 combinada con la curtosis espectral rápida para diagnosticar fallas en rodamientos. Sobre la base de la red original MobileNetV2, se utiliza un clasificador progresivo para comprimir la información de características capa por capa con la estructura de red para lograr una identificación y clasificación de alta precisión y rápida. Se agrega una estructura de conexión cruzada local a la red para aumentar la información de características extraídas y mejorar la precisión. Al mismo tiempo, la señal de falla original del rodamiento es una señal de vibración unidimensional, y la señal contiene una gran cantidad de ruido no gaussiano y defectos de choque accidentales. Con el fin de extraer características de falla de manera más eficiente, este artículo utiliza el algoritmo de curtosis espectral rápida para procesar la señal, extraer la frecuencia central de la señal original y calcular el valor de curtosis espectral. El mapa de curtosis generado por el preprocesamiento de la señal se utiliza como entrada de la red MobileNetV2 para la clasificación de fallas. Para verificar la eficacia y generalidad del método propuesto, este artículo utiliza el conjunto de datos de fallas en rodamientos XJTU-SY y el conjunto de datos de rodamientos CWRU para realizar experimentos. A través de métodos de preprocesamiento de datos, como la expansión de datos para diferentes tipos de fallas en el conjunto de datos original, se generan datos de entrada que cumplen con los requisitos experimentales y se realizan experimentos de diagnóstico de fallas. Al mismo tiempo, a través de la comparación con otras redes de clasificación típicas, el artículo demuestra que el método propuesto tiene ventajas significativas en términos de precisión, tamaño del modelo, velocidad de entrenamiento, etc., y, finalmente, demuestra la eficacia y generalidad del modelo de red propuesto en el campo del diagnóstico de fallas.