El rendimiento diagnóstico de los modelos de aprendizaje profundo depende en gran medida de grandes volúmenes de datos de entrenamiento etiquetados. Sin embargo, en aplicaciones prácticas, las muestras de fallos en rodamientos son relativamente escasas, y la disponibilidad de muestras para un entrenamiento efectivo del modelo es aún más limitada, lo que lleva a un rendimiento subóptimo de los métodos tradicionales de aprendizaje profundo en el diagnóstico de fallos en rodamientos. Para abordar el problema del bajo rendimiento en el diagnóstico de fallos en rodamientos con pocas muestras, se propone en este estudio una nueva Red Residual Siamés Profunda Adaptativa (ADSRN). La información en el dominio de la frecuencia se extrae utilizando la Transformada de Fourier, y las muestras de entrenamiento se emparejan aleatoriamente de acuerdo con los criterios de coincidencia definidos por la red Siamés para aumentar el conjunto de datos. Se aplica una nueva técnica de Warping Temporal Dinámico (DTW) para ajustar de manera no lineal la información de la secuencia, permitiendo el cálculo preciso de la coincidencia óptima entre dos secuencias al detectar diferencias sutiles. Además, inspirado en el concepto de coincidencia dinámica de umbral suave-duro en el aprendizaje no supervisado, se ha desarrollado una estrategia innovadora para ajustar dinámicamente el umbral adaptativo con el fin de mejorar la capacidad de generalización de la ADSRN propuesta. Se llevaron a cabo múltiples experimentos de diagnóstico de fallos con pocas muestras en dos conjuntos de datos de rodamientos y se compararon con varios métodos de vanguardia. A través de rigurosas evaluaciones experimentales, se validó la efectividad y superioridad de la ADSRN propuesta, así como las ventajas del DTW.