La eficiencia de los métodos de diagnóstico de fallos basados en aprendizaje profundo para rodamientos se ve afectada por el tamaño de la muestra de datos etiquetados, que puede ser insuficiente en el campo de la ingeniería. El autoentrenamiento es un método semisupervisado comúnmente utilizado, que generalmente está limitado por la precisión de las características para la selección de datos no etiquetados. Es significativo diseñar un mecanismo de entrenamiento eficiente para extraer características precisas y un novedoso mecanismo de fusión de características para asegurar que la característica fusionada sea capaz de realizar la selección. En este artículo se diseña un novedoso mecanismo de entrenamiento de recursión multiescala (MRAE) para Autoencoder, que puede utilizarse para la extracción precisa de características con una pequeña cantidad de datos etiquetados. Se construyó un mecanismo de fusión basado en puertas de atención para aprovechar al máximo todas las características útiles en el sentido de que puede incorporar características distintivas en diferentes escalas. Utilizando grandes cantidades de datos no etiquetados, el método propuesto de diagnóstico de fallos semisupervisado de aprendizaje profundo recursivo multiescala con puerta de atención (MRAE-AG) puede mejorar de manera eficiente el rendimiento del diagnóstico de fallos de las DNN entrenadas con un pequeño número de datos etiquetados. Se utilizó un conjunto de datos de referencia del centro de datos de rodamientos de la Universidad Case Western Reserve para validar este novedoso método, que muestra que se puede lograr una mejora del 7.76% en la precisión en el caso en que solo se disponía de 10 muestras etiquetadas para el entrenamiento supervisado del modelo de diagnóstico de fallos basado en DNN.