Los rodamientos son propensos a fallos debido a la complejidad y al serio entorno operativo del equipo rotativo. El diagnóstico inteligente de fallos basado en redes neuronales convolucionales (CNN) se ha convertido en una herramienta efectiva para garantizar el funcionamiento fiable de los rodamientos. Sin embargo, la interferencia causada por el ruido ambiental y las condiciones de trabajo variables puede afectar los datos. Para resolver este problema, proponemos un método de diagnóstico de fallos mejorado llamado red neuronal convolucional profunda basada en características multiescala y información mutua (MMDCNN). En nuestro enfoque, se coloca una capa convolucional multiescala en el extremo frontal de una 1D_CNN para maximizar la retención de las características iniciales multiescala. Mientras tanto, las características clave de fallo se mejoran aún más de manera adaptativa al introducir un mecanismo de autoatención. Luego, se construye la función de pérdida compuesta maximizando la información mutua como una pérdida auxiliar basada en la pérdida de entropía cruzada; así, el método propuesto puede extraer características de fallo robustas con un alto rendimiento de generalización. Para demostrar la superioridad de MMDCNN, comparamos el rendimiento de nuestro esquema con varios modelos de aprendizaje profundo existentes en dos conjuntos de datos. Los resultados muestran que el modelo propuesto logra con éxito el diagnóstico de fallos en rodamientos con interferencia de ruido y condiciones de trabajo variables, poseyendo una poderosa capacidad de extracción de características de fallo.