El concepto de índice de salud del transformador (HI) se ha utilizado como una parte importante de los recursos de gestión y se implementa para la evaluación del estado y clasificación de los transformadores de potencia. El estado de HI se estima en función de muchos parámetros del aceite del transformador de potencia. Sin embargo, el problema principal en el procedimiento de HI como método de diagnóstico es la presencia de mediciones de rutina y resultados de pruebas precisos. La predicción del HI del transformador de potencia se lleva a cabo en este trabajo utilizando 1361 muestras de datos recopiladas de dos servicios públicos diferentes. El modelo propuesto se utiliza para predecir y diagnosticar el estado de HI del transformador de potencia utilizando un enfoque de red neuronal convolucional (CNN). El desequilibrio entre las clases de muestras del conjunto de datos de entrenamiento produce una buena predicción de la clase con un mayor número de muestras, mientras que una baja detección de la clase tiene un menor número de muestras. Se utiliza un enfoque de sobremuestreo para equilibrar las muestras de entrenamiento y mejorar la precisión de predicción de los métodos de clasificación. El modelo de CNN propuesto predice el HI de los transformadores de potencia después de aplicar el enfoque de sobremuestreo a las muestras del conjunto de datos de entrenamiento. Los resultados obtenidos con el modelo de CNN propuesto se comparan con los obtenidos con los métodos de clasificación de aprendizaje automático (ML) optimizados, con la superioridad de los resultados de CNN. Se aplican reducciones de características para minimizar el tiempo, esfuerzo y costos de prueba. Finalmente, el modelo de CNN propuesto se verifica con ruido incierto en características completas y reducidas de hasta +/-25% con un buen diagnóstico de predicción del HI del transformador de potencia.