La extracción de características de fallos y el diagnóstico de vehículos autónomos submarinos (AUV) en entornos complejos presentan desafíos significativos debido a la naturaleza intrincada de las señales que reflejan los estados de los AUV en el océano profundo. En este artículo, se introduce un algoritmo de diagnóstico de fallos sin modelo analítico basado en una red neuronal convolucional de múltiples canales (MC-FCNN) para establecer patrones entre los estados de los AUV y los tipos de fallos potenciales utilizando señales de múltiples sensores. En primer lugar, el conjunto de datos en bruto de los AUV se somete a una imputación múltiple por bosque aleatorio mediante ecuaciones encadenadas (RF-MICE) para servir como entrada de la red neuronal convolucional. A continuación, se extraen características de la señal a través del canal de convolución completo, que pueden fusionarse como entrada de un perceptrón multicapa (MLP) y un clasificador Softmax para la identificación de fallos. Finalmente, para validar la efectividad del modelo MC-FCNN propuesto, se realizan experimentos de diagnóstico de fallos utilizando el conjunto de datos obtenido del Laboratorio de la Universidad de Zhejiang con datos faltantes. Los resultados experimentales demuestran que, incluso con datos faltantes, el modelo RF-MICE con MC-FCNN propuesto puede lograr una identificación de fallos ideal.