Para abordar el rendimiento limitado del diagnóstico de fallos por transferencia en cajas de engranajes planetarios bajo condiciones de operación cruzada, que es causado por la distribución heterogénea de características de los datos de vibración y la extracción insuficiente de características. Se propone un modelo de red neuronal adversarial de dominio mejorado (IDANN) basado en un componente de alineación de dominio adaptativo conjunto y un extractor de características de doble rama. En primer lugar, se propone un enfoque de alineación de adaptación de dominio conjunto, integrando la discrepancia de media máxima (MMD) y la alineación de correlación (CORAL), para realizar la coincidencia de la estructura de correlación de características entre los dominios de origen y destino de IDANN. En segundo lugar, se propone un extractor de características de doble rama compuesto por ResNet18 y Swin Transformer con un mecanismo de fusión ponderada por atención para mejorar la extracción de características. Finalmente, los experimentos de validación realizados en conjuntos de datos públicos de fallos de cajas de engranajes planetarios muestran que el método propuesto alcanza una alta precisión y un rendimiento estable en el diagnóstico de fallos por transferencia en condiciones de operación cruzada.