La caja de cambios es un componente importante de la maquinaria rotativa y tiene una gran relevancia para el diagnóstico de fallos en la caja de cambios. En este artículo, se propuso un modelo de diagnóstico de fallos en la caja de cambios basado en la fusión de características de múltiples modelos que aborda las limitaciones de una o pocas características que reflejan el estado de fallo de la caja de cambios. Se extrajo la característica tiempo-frecuencia de la señal de vibración y se seleccionó la característica sensible. Las características sensibles se extrajeron utilizando una red neuronal convolucional unidimensional. Se utilizó el método de fusión paralela para fusionar las dos características de dominio como entradas al modelo de máquina de soporte vectorial. La función de núcleo de base radial y el factor de penalización de la máquina de soporte vectorial se optimizaron mejorando el algoritmo de optimización por enjambre de partículas. Finalmente, se identificaron los estados de la caja de cambios utilizando el modelo de máquina de soporte vectorial optimizado. Los resultados muestran que la tasa de reconocimiento del modelo propuesto es del 98.3%, que es superior a la de otros modelos.