Con el objetivo de abordar los problemas de una baja tasa de detección de fallos y un pobre rendimiento en el diagnóstico bajo diferentes cargas y entornos de ruido, se propone un método de diagnóstico de fallos en rodamientos basado en normalización conmutada y una red neuronal convolucional profunda (SNDCNN). El método extrajo eficazmente las características de fallo de la señal de vibración en bruto y suprimió el ruido de alta frecuencia al aumentar el ancho del núcleo de convolución de la primera capa y apilar los núcleos de convolución de múltiples capas. Para evitar perder la información de intensidad de las características, se adoptó la operación de agrupamiento K-max en la capa de agrupamiento. Para resolver el problema del sobreajuste y mejorar la capacidad de generalización, se utilizó un enfoque de normalización conmutada después de cada capa convolucional. La SNDCNN propuesta se evaluó con dos conjuntos de datos de rodamientos y obtuvo una tasa de detección de fallos más alta que SVM y BP, alcanzando una tasa de detección de fallos de más del 90% bajo diferentes cargas y demostrando un mejor rendimiento anti-ruido.