Para abordar el problema de la baja precisión diagnóstica causada por la interferencia del ruido y las velocidades de rotación variables en los rodamientos, se propone un método de diagnóstico de fallas basado en la corrección de características condicionadas por el dominio para rodamientos en condiciones de trabajo complejas. El enfoque primero construye una red neuronal convolucional auto-calibrante de múltiples escalas para agregar señales de entrada a través de diferentes escalas, estableciendo de manera adaptativa dependencias espaciales de largo alcance e intercanal en cada ubicación espacial, mejorando así el modelado de características en condiciones ruidosas. Posteriormente, se introduce una estrategia de adaptación condicionada por el dominio para ajustar dinámicamente la activación de los canales convolucionales auto-calibrantes en respuesta a las diferencias entre las entradas del dominio fuente y del dominio objetivo, generando términos de corrección para las características del dominio objetivo para facilitar la extracción efectiva de conocimiento específico del dominio. El método luego alinea las características del dominio fuente y del dominio objetivo minimizando las discrepancias en la distribución de características interdominio, mitigando explícitamente las variaciones de distribución inducidas por cambios en las condiciones de trabajo. Finalmente, dentro de un marco de minimización de riesgo estructural, los parámetros del modelo se optimizan iterativamente para lograr una discrepancia de distribución mínima, resultando en una matriz de coeficientes óptima para el diagnóstico de fallas. Los resultados experimentales utilizando conjuntos de datos de condiciones de trabajo variables demuestran que el método propuesto logra consistentemente precisiones diagnósticas superiores al 95%, lo que sustenta su viabilidad y efectividad.