Este documento presenta un nuevo método inteligente de diagnóstico de fallos basado en un autoencoder de denoising escaso con poda en pila y una red neuronal convolucional (sPSDAE-CNN). Este método procesa los datos de entrada originales utilizando un autoencoder de denoising en pila. A diferencia del autoencoder tradicional, el autoencoder de denoising escaso con poda en pila incluye una red de autoencoding completamente conectada, las características extraídas de la capa frontal de la red se utilizan para la operación de la capa subsiguiente, lo que significa que aparecerán algunas nuevas conexiones entre las capas frontal y trasera de la red, reduciendo la pérdida de información y obteniendo características más efectivas. En primer lugar, se introduce una ventana deslizante unidimensional para la mejora de datos. Además, transformar datos unidimensionales en el dominio del tiempo en una imagen en escala de grises bidimensional puede mejorar aún más la capacidad de aprendizaje profundo (DL) de los modelos. Al mismo tiempo, se introduce una operación de poda para mejorar la eficiencia de entrenamiento y la precisión de la red. El modelo de red neuronal convolucional con sPSDAE tiene una velocidad de entrenamiento más rápida, una fuerte adaptabilidad a señales de interferencia de ruido y también puede suprimir el problema de sobreajuste de la red neuronal convolucional hasta cierto punto. Experimentos reales muestran que para el fallo de daño en las palas de vehículos aéreos no tripulados (UAV), el modelo sPSDAE-CNN que utilizamos tiene una mejor estabilidad y una precisión de predicción confiable que las redes neuronales convolucionales tradicionales. Al mismo tiempo, para señales de ruido, se pueden obtener mejores resultados. Los resultados experimentales muestran que el modelo sPSDAE-CNN aún tiene una buena tasa de precisión diagnóstica en un entorno de alto ruido. En el caso de una relación señal-ruido de -4, aún tiene una tasa de precisión del 90%.