Para resolver la dificultad del diagnóstico de fallas en rodamientos con muestras de datos pequeñas, se propone en este artículo un novedoso modelo de transformador de visión (ViT) de fusión de multi-información basado en mapas de representación tiempo-frecuencia (TFR). La señal de vibración original se descompone en diferentes sub-señales de escala mediante las transformadas de wavelet discretas (DWT), y las transformadas de wavelet continuas (CWT) se utilizan para transformar estas sub-señales de diferentes escalas en mapas de representación tiempo-frecuencia (TFR), que se concatenan para ser introducidos en el modelo ViT para diagnosticar la falla del rodamiento. A través del análisis experimental multifacético sobre el diagnóstico de fallas en rodamientos con muestras de datos pequeñas, los resultados del diagnóstico demuestran que el modelo ViT de fusión de multi-información propuesto puede diagnosticar la falla de rodamientos con muestras de datos pequeñas, con una fuerte generalización y robustez; su precisión media de diagnóstico alcanzó el 99.85%, y fue superior a otros métodos de diagnóstico de fallas, como la CNN de fusión de multi-información, el modelo ViT basado en la señal de vibración unidimensional y el modelo ViT basado en el TFR de la señal de vibración original.