La Industria 4.0 está impulsando a las industrias modernas gracias a su fiabilidad, estabilidad y rendimiento. Los motores eléctricos (EMs) se utilizan en múltiples industrias por su eficiencia, control preciso de velocidad y par, y robustez. Detectar fallos en los motores en una etapa temprana es crucial para garantizar la máxima productividad. Recientemente, se ha implementado el aprendizaje profundo (DL) como un enfoque basado en datos para detectar fallos en los motores. Sin embargo, debido a la disponibilidad limitada de datos de fallos etiquetados, el rendimiento del modelo de DL está restringido. Este problema se aborda aprovechando el aprendizaje por transferencia (TL), que utiliza el conocimiento de un dominio fuente más grande para mejorar el rendimiento en un dominio objetivo más pequeño. En este artículo, se propone un modelo de detección de múltiples fallos (FD) para EMs combinando las ideas de redes neuronales convolucionales profundas (CNNs) y TL. Se sugiere una técnica de conversión de señal unidimensional a imagen para convertir la señal de vibración en imágenes, y se propone un modelo de FD inspirado en Inception-ResNet-v2 para detectar fallos en los rodamientos del motor. El método propuesto logró una precisión media de más del 99%.