El uso del aprendizaje profundo para el diagnóstico de fallos ya es un enfoque común. Sin embargo, integrar información discriminativa de tipos y escalas de fallos en modelos de aprendizaje profundo para un diagnóstico rico en características de fallos multitarea aún merece atención. En este estudio, se propone un modelo de red de fusión de características multiescala basado en multitareas (MEAT) para abordar las limitaciones y la mala adaptabilidad de los modelos tradicionales de redes neuronales convolucionales para trabajos complejos. El modelo realizó una extracción de características multidimensional a través de la convolución en diferentes escalas para obtener diferentes niveles de información sobre fallos, utilizó un mecanismo de atención jerárquica para ponderar la fusión de características y logró una precisión del 99.95% para la tarea total de clasificación de seis tipos de fallos, y consideró dos subtareas en la clasificación de fallos para discriminar el tamaño y el tipo de fallo a través de la descomposición de mapeo multitarea. De estos, la mayor precisión en la clasificación del tamaño de los fallos alcanzó el 100%. Además, la Precisión, el Recall y el Score F1 alcanzaron todos el índice de 1, lo que logró el diagnóstico preciso de fallos en rodamientos.