Debido a la compleja estructura del módulo de unión y a las duras condiciones de trabajo de las plataformas no tripuladas, la información sobre fallos a menudo se ve abrumada por el ruido. Además, los métodos tradicionales de reconocimiento del estado de salud mecánica suelen requerir una gran cantidad de datos etiquetados de antemano, lo cual es difícil de obtener para datos de fallos específicos en aplicaciones de ingeniería. Esta cantidad limitada de datos de fallos restringe el rendimiento diagnóstico. Adicionalmente, las características de las redes neuronales convolucionales (CNN) limitan su capacidad para capturar la información posicional relativa de las características de los fallos. Con el fin de obtener información de fallos más completa, este artículo propone un método inteligente de reconocimiento del estado de salud para módulos de unión de plataformas no tripuladas basado en la descomposición modal de características (FMD) y la red de cápsulas mejorada. En primer lugar, las señales de vibración recolectadas se descomponen en una serie de componentes modales de características utilizando FMD. Luego, se generan mapas tiempo-frecuencia que contienen características de fallos significativas basados en la transformada de wavelet continua (CWT). Finalmente, se proponen un módulo de mejora de características a múltiples escalas (MLFE) y un módulo de atención de canal eficiente (ECA) para mejorar la capacidad de extracción de características de la red de cápsulas, extrayendo información de características globales y locales más completa de los mapas tiempo-frecuencia para lograr el reconocimiento inteligente del estado de los módulos de unión. Este enfoque mejora las características de fallos mientras reduce el impacto de las características redundantes, mejorando significativamente la capacidad de extracción de características sin aumentar la complejidad computacional del modelo. La efectividad y superioridad del método propuesto se valida a través de experimentos en un banco de pruebas de módulos de unión de plataformas no tripuladas. Un experimento de ablación demuestra la efectividad de los módulos MLFE y ECA, y una comparación con otros modelos de red avanzados prueba la superioridad del método propuesto para el reconocimiento del estado de salud.