Los Convertidores Modulares Multinivel (MMCs) desempeñan un papel crucial en la conexión de la nueva red energética y en los sistemas de conversión de energía renovable debido a los significativos méritos de buena modularidad, escalabilidad flexible y menor pérdida operativa. Sin embargo, la fiabilidad es un desafío significativo para los MMCs, que consisten en un gran número de Transistores Bipolares de Puerta Aislada (IGBTs). Las fallas de los IGBTs en los submódulos (SMs) son un problema crítico que afecta el rendimiento y la operación de los MMCs. La capacidad insuficiente de las redes neuronales convolucionales para aprender las características clave de las fallas afecta la precisión del diagnóstico de fallas de los MMCs. Para resolver este problema, este documento propone un nuevo marco de diagnóstico de fallas profundo llamado Red de Fusión Adaptativa Multiescala (MSAFN) para el diagnóstico de fallas de los MMCs. En el MSAFN propuesto, las características de falla de la corriente cruda en un MMC se extraen empleando primero redes neuronales convolucionales (CNNs) multiescala, y luego se agrega un mecanismo de atención de canal para seleccionar de manera adaptativa el canal que contiene las características clave, con el fin de mejorar la capacidad de diagnóstico de fallas del MMC en un entorno ruidoso. Finalmente, se adopta el tamaño adaptativo de un CNN unidimensional para ajustar el peso de los canales de características de diferentes escalas, que se fusionan de manera adaptativa para el diagnóstico de fallas. Se realiza una validación experimental en dos conjuntos de datos de MMC diferentes. Los resultados experimentales confirman que la introducción de un mecanismo de atención del canal de fusión adaptativa de características multiescala mejora la precisión de reconocimiento del modelo en un promedio de . Además, experimentos comparativos bajo diferentes relaciones señal-ruido (SNR) demuestran que el MSAFN mantiene niveles de precisión por encima de , destacando su excelente rendimiento, especialmente en condiciones ruidosas.