En el proceso de mantenimiento y soporte de aeronaves, se registra una gran cantidad de datos de descripción de fallos. Sin embargo, la mayoría de los modelos de diagnóstico de fallos existentes se basan en datos estructurados, lo que significa que no son adecuados para datos no estructurados como el texto. Por lo tanto, en este artículo se propone un modelo de diagnóstico de fallos en aeronaves impulsado por texto, basado en Word to Vector (Word2vec) y una Red Neuronal Convolucional (CNN) de conocimiento previo. El texto de fallo primero ingresa a Word2vec para realizar la extracción de características del texto, y los vectores de características de texto extraídos se introducen en la CNN de conocimiento previo propuesta para entrenar el clasificador de fallos. La CNN de conocimiento previo introduce conocimiento experto sobre fallos a través de la Medición de Similitud en la Nube (CSM) para mejorar el rendimiento del clasificador de fallos. Se llevaron a cabo experimentos de validación sobre datos de registro de mantenimiento de cinco años de una aeronave civil para verificar con éxito la efectividad del modelo propuesto.