Para abordar el desafío de extraer características de fallos adaptativos para los rodamientos del motor de un vehículo aéreo no tripulado (VANT) y cumplir con los altos requisitos de precisión en el diagnóstico de fallos de rodamientos, este artículo propone un método de diagnóstico de fallos de rodamientos basado en redes neuronales utilizando WPT-CEEMD-CNN-LSTM. Inicialmente, el método aplica múltiples procesos de reducción de ruido a las señales de vibración originales y mejora su resolución tiempo-frecuencia a través de la Transformada de Paquetes de Ondas (WPT) y la Descomposición de Modos Empíricos Completa (CEEMD). Esto elimina efectivamente el ruido y genera un conjunto de datos de alta calidad. Posteriormente, se emplea una Red Neuronal Convolucional (CNN) para extraer automáticamente características profundas, mientras que una red de Memoria a Largo y Corto Plazo (LSTM) se utiliza para el modelado de series temporales, construyendo así un modelo de diagnóstico de fallos de rodamientos de motor rotativo preciso. Los resultados experimentales demuestran que la precisión del diagnóstico de fallos de este método alcanza el 96.67%, lo que es significativamente más alto que el de la CNN tradicional (85%), LSTM (51.33%) y el modelo CEEMD-CNN-LSTM con reducción de ruido de señal única (77.33%). Este método también exhibe capacidades más fuertes de identificación y generalización de fallos. Este estudio confirma la efectividad de combinar WPT-CEEMD con técnicas de aprendizaje profundo CNN-LSTM para el diagnóstico de fallos en rodamientos de VANT, proporcionando una solución de diagnóstico de alta precisión y estabilidad para el monitoreo de la salud de los VANT.