La termografía infrarroja (IRT) se ha convertido en una alternativa interesante para realizar evaluaciones de condición de diferentes tipos de equipos basados en motores de inducción (IM) cuando operan en condiciones adversas. Los resultados reportados en artículos de vanguardia que han analizado imágenes térmicas no consideran (1): la presencia de más de una falla, y (2) la inevitable corrupción por ruido que sufren las imágenes. Teniendo en cuenta estas razones, este artículo presenta una metodología basada en redes neuronales convolucionales (CNN) que está específicamente diseñada para tratar imágenes corruptas por ruido para detectar las fallas que tienen la tasa de incidencia más alta: fallas en los rodamientos y en las barras rotas; además, también se considera la falla por desalineación del rotor, ya que puede causar un aumento adicional en el consumo de electricidad. Los resultados presentados muestran que la propuesta es efectiva en la detección de estados saludables y de falla, así como en la identificación de la naturaleza de la falla, logrando una precisión del 95%. Estos resultados permiten considerar la propuesta como una alternativa interesante para el uso de imágenes de IRT obtenidas en entornos hostiles.