La seguridad de las redes eléctricas depende de la salud del transformador. Sin embargo, una vez que ocurre una variedad de fallas en el transformador, no solo reducirá la fiabilidad del sistema eléctrico, sino que también causará accidentes importantes y enormes pérdidas económicas. Hasta ahora, se han propuesto muchos métodos de diagnóstico para monitorear el funcionamiento del transformador. La mayoría de estos métodos no pueden ser detectados ni diagnosticados en línea y son propensos a interferencias de ruido y altos costos de mantenimiento que causarán obstáculos al sistema de monitoreo en tiempo real del transformador. Este documento presenta un sistema de monitoreo de fallas en línea a tiempo completo para transformadores de resina fundida y propone un método de diagnóstico de fallas por sobrecalentamiento basado en imágenes de termografía infrarroja (IRT). En primer lugar, las imágenes normales y de falla de IRT del transformador de resina fundida son recopiladas por el sistema de monitoreo de cámara térmica propuesto. A continuación, se realiza el entrenamiento del modelo para el modelo de Reconstrucción del Autoencoder de Wasserstein (WAR) y el modelo de Clasificación de Imágenes Diferenciales (DIC). La imagen diferencial se puede adquirir mediante el cálculo de la diferencia absoluta píxel a píxel entre las imágenes reales y las imágenes regeneradas. Finalmente, en la fase de prueba, los modelos WAR y DIC bien entrenados se conectan en serie para formar un módulo de diagnóstico de fallas. En comparación con los algoritmos de aprendizaje profundo existentes, los resultados experimentales demuestran las grandes ventajas del modelo propuesto, que puede obtener un rendimiento integral con un tamaño ligero, un tamaño de almacenamiento pequeño, un tiempo de inferencia rápido y una precisión de diagnóstico adecuada.