Para abordar los problemas de extracción de características, el costo de obtener muestras etiquetadas y las grandes diferencias en la distribución del dominio en el diagnóstico de fallos de rodamientos en condiciones de operación variables, se propone un método de diagnóstico de fallos de rodamientos adaptativo al dominio no supervisado basado en el aprendizaje por migración utilizando MSACNN-IJMMD-DANN (red neuronal convolucional basada en múltiples escalas y atención, MSACNN, discrepancia máxima de media conjunta mejorada, IJMMD, red neuronal adversarial de dominio, DANN). En primer lugar, para extraer características de tipo fallo del dominio fuente y del dominio objetivo, este artículo establece un MSACNN basado en mecanismos de múltiples escalas y atención. En segundo lugar, para reducir la diferencia de distribución de características entre los dominios fuente y objetivo y abordar el problema de las diferencias en la distribución del dominio, se utilizan los enfoques de discrepancia máxima de media conjunta y alineación de correlación para crear el criterio métrico. Luego, se introduce el mecanismo de pérdida adversarial en DANN para reducir la interferencia de características de dominio débilmente correlacionadas para un mejor diagnóstico e identificación de fallos. Finalmente, el método se valida utilizando conjuntos de datos de rodamientos de la Universidad Case Western Reserve, la Universidad Jiangnan y nuestro laboratorio. Los resultados experimentales demostraron que el método logró una mayor precisión en diferentes tareas de migración, proporcionando una solución efectiva para el diagnóstico de fallos de rodamientos en entornos industriales con condiciones de operación variables.