Con el creciente número de vehículos eléctricos, se han puesto en el mercado a gran escala pilas de carga V2G (vehículo a red) que pueden realizar el flujo bidireccional de vehículos y electricidad, y el mantenimiento de fallas de las pilas de carga se ha convertido gradualmente en un problema. Apuntando a los problemas de que las redes neuronales convolucionales (CNN) son propensas al sobreajuste y tienen una baja precisión de localización en el diagnóstico de fallas de las pilas de carga V2G, se propone un modelo mejorado de clasificación de fallas basado en redes neuronales convolucionales (CNN-SVM). Primero, se realiza una optimización de adaptación de hardware para la estructura de CNN, se utiliza la transformación de paquete de ondas para extraer la información de características de la señal de corriente de falla en la CNN, y se construye el modelo CNN-SVM mediante SVM (Máquina de Vectores de Soporte) en lugar del clasificador SoftMax en la CNN. El algoritmo PSO (algoritmo de enjambre de partículas) se utiliza para optimizar los parámetros del modelo SVM y obtener el modelo óptimo. Finalmente, la superioridad del método propuesto se verifica mediante múltiples casos de trabajo. Los resultados experimentales muestran que la precisión de clasificación de fallas del modelo CNN-SVM es mucho mayor que la de la red tradicional de aprendizaje profundo y tiene significado práctico para el diagnóstico de fallas del módulo de interruptores de la pila de carga.