La bomba rotativa de tuberías es susceptible a daños debido a operaciones prolongadas en un entorno complejo de alta temperatura y alta presión, lo que conduce a vibraciones y ruidos anormales. Actualmente, el método para detectar las condiciones de las tuberías y las bombas rotativas implica principalmente identificar sus sonidos y vibraciones anormales. Debido al ruido de fondo complejo, el rendimiento del monitoreo de condiciones es insatisfactorio. Para superar este problema, se propone un método de monitoreo de condiciones de tuberías y bombas rotativas mediante la extracción y fusión de características de sonido y vibración de diferentes maneras. En primer lugar, se establece un conjunto de características elaborado a mano desde dos aspectos de sonido y vibración. Además, se establece un conjunto de características derivadas de una red neuronal convolucional (CNN) basado en una CNN unidimensional (1D CNN). Para los conjuntos de características elaboradas a mano y las derivadas de CNN, se presenta un método de selección de características para características significativas clasificando las características según su importancia, que se calcula mediante ReliefF y la puntuación del bosque aleatorio. Finalmente, se aplica el monitoreo de condiciones de tuberías y bombas rotativas fusionando las características significativas de sonido y vibración a nivel de características. Según las señales de sonido y vibración obtenidas de la plataforma experimental, se evaluó el método propuesto, mostrando una precisión promedio del 93.27% para diferentes condiciones. La efectividad y superioridad del método propuesto se manifiestan a través de experimentos de comparación y ablación.