Para abordar los problemas de redundancia de información, representación limitada de características y parámetros establecidos empíricamente en el diagnóstico de fallos de rodamientos, este artículo propone una Red de Convolución Temporal de Optimización y Multi-Entropía (MESO-TCN). El método integra filtrado de características, modelado de red y optimización de parámetros en un marco de diagnóstico unificado. Específicamente, la descomposición empírica en modo conjunto (EEMD) se combina con un criterio de entropía híbrido para preprocesar las señales de vibración en bruto y suprimir el ruido redundante. Se diseña una red de convolución temporal extendida por núcleo (ETCN) con convolución dilatada a múltiples escalas para extraer diversos patrones de fallos temporales. Además, se introduce un algoritmo de optimización de ballenas mejorado que incorpora un mecanismo inspirado en luciérnagas para optimizar adaptativamente los hiperparámetros clave. Los resultados experimentales en conjuntos de datos de la Universidad Jiaotong de Xi"an y la Universidad del Sureste demuestran que MESO-TCN logra precisiones promedio del 99.78% y 95.82%, respectivamente, superando a los métodos de referencia más utilizados. Estos hallazgos indican la fuerte capacidad de generalización del método, la discriminabilidad de características y la aplicabilidad en ingeniería en el diagnóstico inteligente de fallos de maquinaria rotativa.