En los últimos años, los métodos inteligentes basados en aprendizaje por transferencia han logrado resultados significativos en el campo del diagnóstico de fallas en rodamientos. Sin embargo, la mayoría de los estudios se centran en el escenario de diagnóstico de transferencia bajo diferentes condiciones de trabajo de la misma máquina. Los métodos de diagnóstico de fallas por transferencia utilizados para diferentes máquinas presentan problemas como baja precisión de reconocimiento y rendimiento inestable. Por lo tanto, se propone un nuevo marco de aprendizaje por transferencia auto-supervisado multitarea (MTSTLF) para el diagnóstico de fallas en rodamientos de cruz entre máquinas. El método propuesto se entrena utilizando un paradigma de aprendizaje multitarea, que incluye tres tareas de aprendizaje auto-supervisado y una tarea de diagnóstico de fallas. En primer lugar, se diseñan tres métodos de enmascaramiento de diferentes escalas para generar datos de vibración enmascarados basados en la periodicidad y la información intrínseca de las señales de vibración del rodamiento. A través del aprendizaje auto-supervisado, se mejora la atención a las características intrínsecas de los datos en diferentes condiciones de salud, mejorando así la capacidad de expresión de características del modelo. En segundo lugar, se propone un método de transferencia de características multi-perspectiva para completar tareas de diagnóstico de fallas entre máquinas. Al integrar dos tipos de métricas, distribución de probabilidad y similitud geométrica, el método se centra en el conocimiento de diagnóstico de fallas transferible desde diferentes perspectivas, mejorando así la capacidad de aprendizaje por transferencia y logrando el diagnóstico de fallas entre máquinas de rodamientos. Se realizan dos casos experimentales para evaluar la efectividad del método propuesto. Los resultados sugieren que el método propuesto es efectivo para el diagnóstico de fallas en rodamientos entre máquinas.