El diagnóstico preciso de fallos en los sistemas de condensado de turbinas de vapor marinas se ve desafiado por la insuficiencia de muestras reales de fallos y las condiciones operativas dinámicas. Para abordar esta limitación, se propone DTL-DFD, un nuevo marco que integra gemelos digitales (DT) y aprendizaje profundo por transferencia (DTL), en el que se construye un modelo de gemelo digital de alta fidelidad restringido por la física a través de la inyección sistemática de seis clases de diagnóstico (1 normal + 5 fallos), incluyendo el flujo de agua de circulación insuficiente. A través de una innovadora inicialización de parámetros de todas las capas con una estrategia de ajuste fino parcial (ALPT-PF), todos los pesos y sesgos de una red neuronal convolucional unidimensional preentrenada (1D-CNN) se transfirieron completamente al modelo objetivo, que posteriormente se ajustó finamente a través de un mecanismo de tasa de aprendizaje jerárquica para adaptarse a las discrepancias de distribución del mundo real. Los resultados experimentales demuestran una precisión del 94.34% en conjuntos de pruebas de distribución cruzada con una mejora del 4.72% sobre los métodos más avanzados, confirmando mejoras significativas en la capacidad de generalización y la estabilidad del diagnóstico bajo condiciones de muestras pequeñas con una reducción significativa de datos reales, proporcionando así una solución efectiva para la operación y mantenimiento inteligente de sistemas de turbinas de vapor marinas.