Una Unidad de Medición Inercial (IMU) es un componente significativo de una nave espacial, y los resultados de su diagnóstico de fallos afectan directamente la estabilidad y fiabilidad de la nave. En los últimos años, los métodos de diagnóstico de fallos basados en aprendizaje profundo han logrado grandes avances; sin embargo, algunos problemas como la extracción de características de fallos efectivas y la promoción del proceso de entrenamiento de redes profundas aún deben resolverse. Por lo tanto, en este estudio, se propone un nuevo enfoque inteligente de diagnóstico de fallos que combina una red neuronal convolucional residual profunda (CNN) y un algoritmo de preprocesamiento de datos. En primer lugar, se adopta la transformada de Fourier de corto tiempo (STFT) para transformar los datos de dominio temporal en imágenes de tiempo-frecuencia para que se puedan extraer la información y características útiles. Luego, se exploran y explotan tanto la normalización Z-score como las estrategias de aumento de datos para facilitar el entrenamiento del modelo profundo subsiguiente. Además, se presenta un modelo de diagnóstico profundo basado en CNN modificado, que utiliza la Unidad Lineal Rectificada por Parámetros (PReLU) como funciones de activación y bloques residuales, que aprende automáticamente las características de fallos y clasifica los tipos de fallos. Finalmente, los resultados del experimento indican que el método propuesto tiene una buena capacidad de extracción de características de fallos y se desempeña mejor que otros modelos de referencia en términos de precisión de clasificación.