Los motores de inducción, el equipo clave para la maquinaria rotativa, son propensos a fallos compuestos, como barras de rotor rotas y defectos en los rodamientos. Es difícil extraer características de fallo e identificar fallos a partir de una sola señal porque múltiples características de fallo se superponen e interfieren entre sí en un fallo compuesto. Dado que las señales de corriente y las señales de vibración tienen diferentes sensibilidades a los fallos del rotor y los fallos en los rodamientos, se propone en este artículo un modelo de diagnóstico de fallos basado en señales de múltiples fuentes utilizando una red neuronal convolucional profunda de múltiples canales (MC-DCNN), que integra las señales originales de vibración y corriente del motor. Se utilizaron una tasa de aprendizaje de atenuación dinámica y una función de activación SELU para mejorar los hiperparámetros de la red MC-DCNN. La tasa de aprendizaje de atenuación dinámica puede mejorar la estabilidad del entrenamiento del modelo y evitar el colapso del modelo de manera efectiva. La función de activación SELU puede evitar los problemas de desaparición y explosión del gradiente durante la iteración del modelo debido a su configuración funcional, evitando así que el modelo caiga en óptimos locales. Los experimentos mostraron que el modelo propuesto puede resolver de manera efectiva el problema de identificación de fallos compuestos en motores, y tres experimentos comparativos verificaron que el método mejorado puede mejorar la estabilidad del entrenamiento del modelo y la precisión de la identificación de fallos.