El diagnóstico de fallas en rodamientos ha sido un desafío en maquinaria rotativa y ha recibido considerable atención. Para clasificar correctamente las fallas, los métodos convencionales de diagnóstico de fallas se basan principalmente en señales de vibración. Sin embargo, las características extraídas de una sola vista de las señales de vibración pueden omitir información útil, lo que puede causar la incompletitud de la información intrínseca y aumentar el riesgo de degradación del rendimiento de las clasificaciones de fallas. En este documento, se propone un nuevo método de diagnóstico de fallas en rodamientos, análisis discriminante utilizando aprendizaje de múltiples vistas (DAML), para abordar este problema. Los conjuntos de datos de múltiples vistas referentes a señales de vibración y acústicas se obtienen realizando una transformada rápida de Fourier (FFT). Luego, se logra una representación de características de múltiples vistas (MVF), que incluye información invariante a la vista y discriminativa de categoría en un subespacio común, basado en análisis de correlación canónica (CCA) y análisis discriminante lineal no correlacionado (ULDA). Finalmente, con la ayuda del clasificador de los vecinos más cercanos (KNN) construido sobre las características de múltiples vistas, se identifican las fallas en los rodamientos. Los extensos resultados experimentales muestran que DAML puede identificar con precisión la falla en el rodamiento y supera a otros enfoques competitivos.