En respuesta a los problemas de algoritmos limitados y baja precisión diagnóstica para el diagnóstico de fallos en sistemas de transmisión de tractores grandes, así como a los altos niveles de ruido en los entornos de trabajo de los tractores, se propone un enfoque de detección de defectos para sistemas de transmisión de tractores utilizando una red neuronal convolucional (CNN) mejorada y una red neuronal de memoria a largo y corto plazo bidireccional (BILSTM). Este enfoque utiliza una red neuronal convolucional unidimensional (1DCNN) para crear tres extractores de características de diferentes escalas, extrayendo directamente información de características de diferentes niveles de las señales de vibración en bruto. Al mismo tiempo, para mejorar la precisión de predicción del modelo y aprender las características de los datos de manera más efectiva, se presenta el mecanismo de atención de múltiples cabezas (MHA). Para superar el problema de los altos niveles de ruido en los entornos de trabajo de los tractores y mejorar la robustez del modelo, se introduce un umbral suave adaptativo. Finalmente, para reconocer y clasificar fallos, los datos de características fusionadas se alimentan a un clasificador compuesto por capas de memoria a largo y corto plazo bidireccional (BILSTM) y capas completamente conectadas. Los hallazgos analíticos demuestran que la precisión de reconocimiento de fallos del método descrito en este artículo es superior al 98%, y también tiene un mejor rendimiento en entornos ruidosos.