El diagnóstico de fallos en rodamientos industriales juega un papel invaluable en el monitoreo de la salud de la maquinaria rotativa. En la práctica, hay muchos más datos normales que datos defectuosos, por lo que los datos suelen exhibir una distribución de clases altamente sesgada. Los algoritmos desarrollados utilizando conjuntos de datos desbalanceados sufrirán de un sesgo severo en el modelo, reduciendo la precisión y estabilidad del algoritmo de clasificación. Para abordar estos problemas, se propone una nueva Red Generativa Antagónica de Fusión Multiresolución (MFGAN) para el diagnóstico de fallos desbalanceado de rodamientos mediante la augmentación de datos. En el proceso de generación de datos, el generador mejorado basado en transferencia de características recibe datos normales como entrada para aprender mejor las características de fallo, mapeando los datos normales en el espacio de datos de fallo en lugar de en un espacio de datos aleatorios. Se diseña una arquitectura de discriminador de conjunto multiescala para reemplazar la estructura de discriminador único original en el proceso discriminativo, y se aprenden características multiescala a través de discriminadores de conjunto. Finalmente, el marco propuesto se valida en el conjunto de datos público de rodamientos de la Universidad Case Western Reserve (CWRU), y los resultados experimentales muestran la superioridad de nuestro método.